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

..11..4.... Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) ...........1.................. AR(1) Sürecinin Özellikleri ..... 44 2.......... 42 2..............................4.............................. 20 1.. 44 2...... 45 2............11......... 39 1....... 32 1..... Otoregresif Süreç (Autoregressive Process-AR) .................1.. Box Jenkins (BJ) Yöntemi ..........................4....11.......1..............4...........10..................................... Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF).........1.....................3...........3................11..1..1..............4..................... 48 ˆ 2......................... 47 2.......11.... 24 1...1.. 37 1.. 28 1................3..... 55 .............1.. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) ...................2.....................................2.................................q) Sürecinin Özellikleri. 25 1...........2..1..............2............1...............................................1.....................10..3...... ARMA(p....2.............. AR(2) Sürecinin Özellikleri . 24 1...............................1.. MA(2) Sürecinin Özellikleri .............. Korelasyonun İstatistiksel Anlamlılığı......10...... 36 1.......... 53 2..... Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA)........................................................ AR(p) Sürecinin Özellikleri ............ 48 2.................................4....2...... MA(1) Sürecinin Özellikleri ...... Q İstatistikleri: Portmanteau Testleri .........................11........ 55 2....................................11...................................11.... 51 2.....2..1.....3............ Tek Değişkenli Zaman Serisi Modelleri ......... 39 1......11...........2...................... Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı..................3...... MA(q) Sürecinin Özellikleri .............................. Zaman Serilerinde Durağanlık Analizi ........10.......2...........11...11.........11.......................... Durağanlık Analizi: Korelogram Testi.......1.................1...................... 34 1............2..........11........10......1) Sürecinin Özellikleri...........3. Sahte (Spurious) Regresyon. Otokovaryans ve Otokorelasyon ............2.......................... Φ1 ve Sınaması τˆμ Test İstatistikleri ................. 30 1................................................ Dickey-Fuller (DF) Testi............... ARMA(1.............................. 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2............1.....................12..........2......... DF Testleri İle Birleşik Hipotez Testi.........4.....3......................1................ 19 1................ 23 1.................................................... Otoregresif Sürecin Derecesinin Belirlenmesi.............................11... 31 1... 22 1...............3..........4..................... 33 1....................1.............................. Hareketli Ortalama Süreci (Moving Average Process-MA).4...... Trend Durağanlık ve Fark Durağanlık ...4................................ Genişletilmiş Dickey-Fuller (ADF) Testi ......................................... 23 1................. Durağanlık Analizi: Birim Kök Testi . Φ 3 ve Sınaması τˆ β Test İstatistikleri............1 τ Sınaması..4.1............................................................ 31 1... 51 2.........................

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

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

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

Cavit YEŞİLYURT’a. Bilgisayar teknolojisindeki gelişmeler ile birlikte yazılımdaki gelişmelere bağlı olarak istatistiksel ve ekonometrik tekniklerde de azımsanmayacak gelişmeler olmuştur. KARS. 2008 Muzaffer AKINCI III . Zaman serileri analizi. Eviews 5.1 paket programı yardımıyla bir uygulama yapılmıştır. Bir olguya ilişkin değişken ya da değişkenlerin zaman içinde yapılan ölçümleri ya da gözlemleri zaman serisini oluşturur. Bu teknikler yardımıyla zaman serilerinin durağan olup olmadığının anlaşılması önemli ölçüde kolaylaşmıştır. Zaman serisi modelleme teknikleri metodolojisi anlatılmış. Bu konuda farklı disiplinlerde çalışan bilim adamlarının katkıları oldukça fazladır. geçmiş dönemlere ilişkin gözlem değerleri yardımıyla geçmişi açıklayarak geleceğe dönük tahminler yapmayı amaçlar. hiçbir zaman yardım ve desteğini esirgemeyen Özgür POLAT’ a ve bana rahat ve huzurlu bir çalışma ortamı sağlayan aileme teşekkürü bir borç bilirim. Elde edilecek tahminler gerek ülke ekonomisi gerekse işletme temelinde yapılacak geleceğe dönük planlama işlerini kolaylaştırır. Düzenli bir zaman içerisinde gözlenen ardışık verilere zaman serisi denir. Zaman serilerinde durağanlık çok önemli bir kavramdır. Bunun için bu veriler üzerinde çalışırken serinin durağanlaştırılması gerekmektedir. Bu çalışmada zaman serileri hakkında genel bilgiler verildikten sonra konuyla ilgili teorik bilgilere yer verilmiştir. modellemede önemli bir yere sahip olan durağanlık kavramı üzerinde durulmuş ve durağanlıkla ilgili testlere yer verilmiştir. kurallar ve yasalar ortaya koyarken temel çıkış noktası olarak gözlenmiş olayları esas almıştır. Tez danışmanlığımı yapan değerli hocam Yrd.ÖNSÖZ Eskiden beri gözlenemeyen unsurların ortaya konulmasında rakamlar etkin bir yöntem olarak kullanılmıştır. Doç. Durağan olmayan zaman serileri üzerinde çalışmak araştırmacıyı yanlış yollara yönlendirebilir. Çalışmanın sonunda gerçek veriler kullanılarak. İnsanoğlu değişik düzenlemeler. Dr. Günümüzde istatistik ve matematikteki gelişmelere bilgisayar programlarının ilavesiyle birlikte zaman serileri analizlerinde önemli mesafe kat edilmiştir.

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.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 .

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 .

....................17 : Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi............................................................................................................................................... 74 Tablo 3............................19 : Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi ........................ 13 Tablo 1.............................. 74 ˆ Tablo 3...............6 : Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi .. 75 Tablo 3.......................1 : n..........................4 : LIHR Serisi İçin Φ 3 Testi ...........8 : LIHR Serisi İçin Φ1 Testi ............................................... 78 Tablo 3.................. 72 Tablo 3......... 75 Tablo 3........15 : Birinci Farkı Alınan LIHR Serisi İçin PP Testi............................. 73 Tablo 3...................................................... 41 Tablo 3...3 : Bir Değişkenin İlerletilmesi.7 : Trendsiz Model Sonuçları..............................................................2 : Trendli Model Sonuçları...................................... 76 Tablo 3........... 77 Tablo 3........16 : LIHR Serisinin Düzey Değerleri İçin KPSS Testi ......14 : Trendsiz PP Birim Kök Test Sonuçları ...................12 : Birinci Farkı Alınan LIHR Serisi İçin τ Testi ................... Farkın Alınmasında Fark Denklemi Açılımı ...................................................... 13 Tablo 1......................2 : Bir Değişkenin Geciktirilmesi .....10 : Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi............................ 78 VI ..........76 Tablo 3...... 72 Tablo 3. 74 ˆ Tablo 3.......................................11 : LIHR Serisinin Düzey Değerleri İçin τ Testi............................... 64 Tablo 3................. 70 Tablo 3..4 : ACF ve PACF’ nin Teorik Davranışları ...................3 : Trendli Model Kalıntılarının Serisel Korelasyon Testi ..........TABLO LİSTESİ Sayfa No: Tablo 1........ 69 Tablo 3............... ................................. 77 Tablo 3..........9 : LIHR Serisinin Düzey Değerleri İçin τˆμ Testi .............1 : İhracatın GSMH İçindeki Payı (%) .......... 71 Tablo 3........................... 14 Tablo 1.... 70 Tablo 3.18 : LIHR Serisinin Düzey Değerleri İçin ADF-GLS Testi .....5 : LIHR Serisinin Düzey Değerleri İçin τˆβ Testi .......13 : Trend Değişkenli PP Birim Kök Test Sonuçları.....

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

......... 43 Şekil 2....... 65 Şekil 3..........................3 : LIHR Serisinin Korelogramı ................................ 7 Şekil 1..................... 68 Şekil 3..............................................................5 : Trend Durağan ve Fark Durağan Seriler .... 66 Şekil 3.............2 : Durağan Olmayan Bir Zaman Serisi Grafiği........0) Modeli Hata Terimlerinin Korelogramı ...............2 : Birinci Farkı Alınan LIHR Serisinin Zaman Yolu Grafiği ...........1 : LIHR Serisinin Zaman Yolu Grafiği................1.. 17 Şekil 2..... 81 Şekil 3.4 : Durağan Bir Seri Korelogramı ..............................ŞEKİL LİSTESİ Sayfa No: Şekil 1................................................................................................................................................. 65 Şekil 3.............5 : ARIMA(1...........2 : Zaman Serisi Bileşenleri .................. 6 Şekil 1.............................. 46 Şekil 2... 83 VIII ......... 82 Şekil 3..........................................................................3 : Durağan Olmayan Bir Seri Korelogramı..............................................................1 : Zaman Serisi Grafiği ... 46 Şekil 2...............7 : Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği.........4 : Birinci Farkı Alınan LIHR Serisinin Korelogramı .......1 : Durağan Bir Zaman Serisi Grafiği ........................................ 44 Şekil 2. 48 Şekil 3....................3 : Pozitif ve Negatif Kovaryanslar ..6 : Modelin Öngörü Performansı................

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.

t 2 H0 H1 ˆ ρk ρ ( X .Y ) tr tt Se Φ kk φ δ ≡ β0 θ p q ∆d n k χ2 t St s 2 (l ) ˆ η X .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.

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 .

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

Tek değişkenli zaman serileri analizi. 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. 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. bir şokun etkilerinin kalıcı olması nedeniyle başlı başına aranan bir özellik iken yapısal ekonometrik modellerde de sahte regresyon tuzağına düşmemek için gereklidir. Bilgisayar teknolojisindeki gelişmeler ile birlikte yazılımdaki gelişmelere bağlı olarak istatistiksel ve ekonometrik tekniklerde de önemli gelişmeler olmuştur. zaman serileri kullanılarak yapılan araştırmalarda serilerde bulunması istenen bir özelliktir. Durağanlık zaman serisi öngörü modellerinde. 2 . Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulacaktır. hareketli ortalama süreci ve karma otoregresif hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılacaktır. zaman serisi modellerinde fark denklemleri ve gecikme işlemcisi ile gecikme polinomunun önemi vurgulanacak. Değişkenlerin zaman içinde belli bir değere doğru yaklaşması olarak tanımlanan durağanlık. Bu bölümde zaman serileri analizi için oldukça önemli olan veri üretme süreci ve stokastik süreç üzerinde durulacak. Bu da özellikle yapacakları politika değişikliklerinin ne gibi sonuçlar verebileceğini önceden görmek isteyen politika belirleyici otoriteler için çok önemlidir. Tek değişkenli zaman serisi modelleri ile sınırlandırılan doğrusal zaman serisi modelleri otoregresif süreç. serinin yapısını ortaya koymayı amaçlayabileceği gibi serinin gelecek ya da gözlemlenmemiş geçmiş değerlerinin saptanmasını da hedefleyebilir. Bu teknikler yardımıyla zaman serilerinin durağan dışılığının çözümü önemli ölçüde kolaylaşmıştır. 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.Zaman serileri analizlerini. korelasyon ölçüleri tanıtılacaktır.

Üçüncü bölümde ise Eviews 5. 3 .1 paket programı kullanılarak.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. İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı (%) serisi üzerinde uygulama yapılacaktır.

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

1. aylık. haftalık. Yatay Kesit. Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir.3. çeyrek yıllık (üç aylık).3…}= N. ±2. 25.3…. seriler zaman serilerine örnek gösterilebilir 6 . An Introduction to Applied Econometrics : A Time Series Approach. s. haftalık para arzı. 24. bireyi inceleyerek derlenen veriler yatay kesit verileridir. s.g. T= [0. Newyork. 3 5 .zaman sınırlı değerler alan veriler ise nitel verilerdir 3 . Maddala. Newyork. s. eğitim. 1. bir zaman serisi {Xt : t Є T}şeklinde ifade edilir. Uygulamalı İstatistik 2.±1. 5 Özer Serper. Macmillan Publishing Company. 4 Patterson. Buradaki T indis kümesi genel olarak T= {1. 525. Great Britain. Eğer T indis kümesi T = R veya T= [0. T bir indis kümesi olmak üzere. 1992.4. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir. T= {0.1] gibi sürekli aralıklar da olabilir. ±3…}= Z olarak alınabildiği gibi T = R. Eğer T indis kümesi T= {0. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . Introduction to Econometrics. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti.}. işletmeyi. Filiz Kitabevi.S. günlük sipariş sayıları vb. mühendislik.1.2. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır. Aylık işsizlik. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson. Zaman serileri ekonomi. İstanbul. s. 6 G. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır.e. 2000. Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. yıllık ve daha uzun dönemli aralıklarla derlenir. Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir. Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi.1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir. Zaman serisi verileri günlük. 1996. a. 289.2.

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

10 7 . Newyork.1) şeklindeki çarpımlarından oluştuğu varsayılmaktadır. Kt. 292. s. Bu düzensiz hareketlerin temelde.2) (1. a. Dt mevsimsellik olmayacağı için bu serilerde Yt = Tt. s. John Wiley &Sons. serinin gidişinde bazı düzensizliklerle karşılaşılmaktadır. Zaman Serisi Bileşenleri Zaman serilerinin grafikleri incelendiğinde. 34. 3. Kt.g.6.g. -Düzensiz (random walk) hareketler olmak üzere dört temel faktörden kaynaklandığı bilinmektedir 9 . Applied Econometrics Time Series.e. 2004. Bu faktörlerden her birinin olay üzerindeki etkileri farklı yön ve şiddette olabileceği gibi. Mt. 293. 9 Walter Enders. Dt eşitliği söz konusudur 11 . -Mevsimlik ( seasonal) dalgalanmalar.2 Zaman Serisi Bileşenleri Kaynak: Serper.e. Yıllık zaman serilerinde Şekil 1. 11 Sevüktekin ve Nargeleçekenler. a. Zaman serisinin gözlem değerleri (Yt ) bu faktörlerin Yt = Tt. Uygulamalı İstatistik 2. s. aynı yön ve şiddette de olabilmektedir 10 . Serper. -Uzun dönem eğilimi (trend).1. (1. -Konjonktürel (cyclical) dalgalanmalar. s.

6. 293. Bir zaman serisindeki tekrarlanan döngüsel hareketlere mevsimsel dalgalanma denir 14 . 1. s. resmi veya dini bayramlar gibi birçok faktör etkili olur.g.1. Konjonktürel kalıplar ile mevsimsel kalıplar arasında benzerlik olmasına rağmen mevsimsel hareketler nispeten daha düzenli ve periyodiktir. a.6. 15 Sevüktekin ve Nargeleçekenler. a. insan alışkanlıkları.g. s.g.e. durgunluk dönemlerinde azalışlar olabilir.g.3.e. 16 Sevüktekin ve Nargeleçekenler. Çünkü dalgalanmaların uzunluğu yani iki maksimum veya iki minimum nokta arasındaki zaman aralığı hep aynıdır. 12 13 Serper. a. 12. 294. s.1. Zaman serisinin uzun dönemde belli bir yöne doğru gösterdiği eğilime trend denir 12 . 1. Refah dönemlerinde ekonomik göstergelerde artış olurken.2. Uzun Dönem Eğilimi (Trend) İktisadi faaliyetlerin her biri zaman içerisinde çeşitli faktörlerden etkilenir. a. Bunun sonucunda üretim faaliyetlerinin trendi artış yönünde olur. 15. Zaman serilerinde mevsimselliğin ortaya çıkışında hava şartları. fakat uzun dönemde ana eğilim sabittir. 8 . refah döneminden durgunluk dönemine ve durgunluk döneminden refah dönemine geçiş noktalarının analizi önem kazanmaktadır 16 . a. Konjonktürel (Cyclical) Dalgalanmalar Konjonktürel hareketler daha çok ekonominin veya sektörlerin refah ya da durgunluk dönemlerini içerir 15 . Mevsimlik ( Seasonal) Dalgalanmalar Birçok zaman serisi belirli dönemlerde mevsimsel faktörlerin etkisi altındadır 13 .e. 14 Serper.6. Yaz aylarında soğuk içecek satışlarının artması mevsimselliğe örnek gösterilebilir. s. Sevüktekin ve Nargeleçekenler. s. Mevsimlik dalgalanmalar döngüsel olduğu gibi aynı zamanda periyodiktir. Konjonktürel hareketler düzensizdir ve periyodik değildir.g. Bu faktörlerin etkisiyle seride kısa dönemde ufak çaplı sapmalar olabilir. 14. Zamanla nüfusun sürekli olarak artması kişi başına milli gelirin artmasına ve buna bağlı olarak hayat standardının yükselmesine neden olur. Konjonktürel hareketler içeren zaman serilerinin analizinde.e.e.

Bu hareketlerin ne zaman hangi şiddette çıkacağı önceden tahmin edilemez. Stokastik süreç hem reel fiziksel süreç hem de onun matematiksel modeli olarak algılanır. s. Veri Üretme Süreci (Data Generation Process-DGP) Genelde zaman serileri olarak gözlenen verileri tanımlayan ekonomik süreç hakkında sahip olduğumuz bilgi sınırlıdır. araştırılan herhangi bir model için hangi değişkenlerin ilgili. 1.e. s. 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. Patterson. Stokastik Süreçler Zaman serileri için olasılık modellerinin diğer tanımı stokastik süreçlerdir. Düzensiz (Irregular) Hareketler Rassal nedenlerle veya geçici olarak ortaya çıkan hareketlere düzensiz hareketler denir 17 . Eğer tarih yeniden yazılmış olsa idi. 40. a.6.e.4.g. fakat gerçekleşme aynı olmayacaktır. 9 .1.7. a. Burada tam olarak bilinemeyen. hangi değişkenlerin ilgisiz olduklarını belirleyen süreç hakkında tam bilgi sunamaz. Bir değişkenin belirli bir noktadaki belirli bir gerçekleşmesi özü itibariyle bir rassal değişkenden sadece bir olabilir sonuçtur. Rassal süreç 17 18 Serper. Zaman serileri analizinde süreç ve gerçekleşme terimleri arasında temel bir ayırım vardır. Gözlenen bir zaman serisindeki gerçek değerler aslında bu değerleri üreten belirli bir sürecin gerçekleşmesidir. 19 Sevüktekin ve Nargeleçekenler. s. 296. Buradaki süreç stokastik (olasılıksal) üretme sürecidir. çok sayıda değişken ve parametre içeren karmaşık bir süreçten söz etmek mümkündür 18 . Ekonometrik teori. 11. Gerçek hayatta birçok süreç yapılarında bir rassal veya stokastik yapı vardır. a. seriyi oluşturan herhangi bir süreç (yani anakütle) modelini tanımlamak için bu sürecin gerçekleşmelerini (yani örneklemini) kullanmaktır.8. 1.e. Zaman serileri analizinin amacı. Ekonomik verilerin stokastik (olasılıksal) süreçler tarafından yaratıldığı düşünülmektedir. değişken aynı olarak kalabilirdi.g. Zaman serisi analizlerinde gerçekleşme (yani gözlenen örneklem değerleri) ve süreç arasındaki ilişki istatistiksel hipotez testlerindeki örneklem ve anakütle ilişkisine benzer 19 .

s.5) Chatfield. Dolayısıyla bir stokastik süreç matematiksel olarak zaman aralıklarına göre dizilmiş rassal değişkenlerin bir birikimidir. Ytn birleşik olasılık dağılımını tanımlamaktır. Bir stokastik süreci tahmin etmenin bir yolu t1. tn gibi bir veri setinin Yt1.…. 28. Ortalama μ t = E (Yt ) Varyans σ 2 = var(Yt ) ve Yt1 ileYt2 arasındaki kovaryansı.t 2 = Cov(Yt1 .….e.T .g.….4) (1. 44. Bu momentler. 22 Chatfield. a.g. 20 21 (1. Sevüktekin ve Nargeleçekenler. 27. Analizdeki ilk adım özet istatistiklerin formülasyonudur ancak asıl amaç model kurarak serinin yapısını açıklamaktır. stokastik süreç olarak isimlendirilen bir teorik sürecin gerçekleşmesi olarak düşünülür. ortalama. Zaman serisi analizlerinin temel amacı gözlenen serideki bilgilerden yararlanarak stokastik sürecin özellikleri hakkında bilgi edinmektir. t=1. a.e. a.e. s. Bununla birlikte T sonsuz bir set oluşturduğundan stokastik sürecin olasılık yapısını tanımlamak için sonsuz boyutta bir dağılıma ihtiyaç duyulur.…. Burada T süreçte tanımlanan zaman noktalarının bir setidir.g. s.2. Reel olarak gözlenen bir zaman serisi Yt. 10 . varyans ve otokovaryans fonksiyonları olarak adlandırılan birinci ve ikinci momentlerdir 22 . Yt 2 ) = E [(Yt1 − E (Yt1 ))(Yt 2 − E (Yt 2 ))] şeklinde yazılabilir. Geleneksel istatistikte anakütle ve örneklem gibi kavramların zaman serisindeki karşılıkları stokastik süreç ve gerçekleşme dir.kavramı ile stokastik süreç kavramı eş anlamlıdır 20 . Stokastik sürecin olasılıklı yapısı bütün n değerleri ve T’nin herhangi bir alt seti (t1. Bir stokastik süreçteki değişkenin her bir değeri bir olasılık dağılımından rassal olarak çekildiğinden rassal bir değişkendir ve belirli bir olasılık dağılımına göre oluştuğu varsayılmaktadır. Belirli bir t dönemindeki rassal değişken Yt’ nin dağılım ve yoğunluk fonksiyonları sırasıyla F(Yt) ve f(Yt) ile gösterilir 21 . Ytn) ile bütünüyle ifade edilir.…. tn) için birleşik dağılım F(Yt1.3) (1. Rassal değişken { Yt } dizisinin olasılık yapısı bir stokastik sürecin birleşik dağılımı ile tanımlanır. Stokastik süreci tanımlamanın diğer yolu ise momentlerini oluşturmaktır. Otokovaryans γ t1.

s. Ankara. 1.8) Chatfield.. bir rassal yürüyüş modelidir 25 .2. Fark denklemlerinin en basit şekli. a. γ kt = Cov(Yt . 11 . 29. 67. s. 1. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir. Fark Denklemleri Zaman serilerinin geleneksel kullanımı. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1.e.Zaman serisi modellemesinde kovaryanslar önemlidir.9. t = 1.7) Yt .T’ dir. Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir. t günündeki bir hisse senedi fiyatı et ... Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında. Y = f(t) 23 24 (1. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır.e. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur. Uygulamalı Ekonometri. s. Bir zaman serisi değişkeni (Y). 25 Aziz Kutlar. beklenen değeri sıfır olan rassal kalıntılardır. Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir. Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir. Sevüktekin ve Nargeleçekenler. a. Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1.. t’ nin bir fonksiyonu olarak tanımlansın. 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. Nobel Yayın Dağıtım.9.g. 2005.1.g. bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 .6) olur 23 . Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. Y = f(t) .t 2 ile gösterilmiştir. 252.

Δ (ΔYt ) = Δ2Yt (1.f(t*) yazılabilir.ilişkisinde eğer t. Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 . a. farklar.…. ∆Yt = f(t) .f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1.10) (1. t* gibi herhangi bir özel değeri alırsa.11) olur. Yani farkın farkı veya farkın karesidir.14) 26 Sevüktekin ve Nargeleçekenler.13) Bu durumda.f(t*) yazılabilir. Yt*+k . Y’ nin t döneminden bir dönem ilerisi için farkı. Yt*+1 .Yt* = f(t*+1) .Yt* = f(t*+k) . farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir. Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) .12) bir dizi şeklinde yazılabilir.g. fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. Yt+1. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur.f(t+k-1) = Yt+k -Yt+k-1 (1. Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 .f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) . Ardışık 1. (1. İkinci fark alma. Yt-2 .e. 12 . Y’ de böyle bir özel değer için Yt* olarak tanımlanır. 69-70-71. Yt+k } ile tanımlanır.9) (1. Benzer şekilde k dönem ilerisi için farkı. s.….f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) . Yt = f(t)’ in n.

13 . Tsay. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler.2.1 n. s. 1. 1 1 4 1 3 6 …. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi. 36.Tablo1. i. Gecikme ve ilerletme için L işlemcisi kullanılır 27 . s. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 . a.g.e. 2004. Zaman Serileri Analizi. John Wiley &Sons. 32. i. benzer bir işlemle gerçekleştirilir. 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. Tablo 1. gecikme için Yt-i alt imi kullanılarak geriye doğru.9. USA. s. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir. Patterson. Analysis of Financial Time Series. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 ….

33. Patterson. 34. Yt yi i dönem geciktirme ile aynı anlama gelir. Örneğin. a.g.17) anlamına gelir.e. ilerletmesi anlamına gelir 30 .g. Tablo 1. s. Dolayısıyla Yt değişkenine uygulanan L’ nin pozitif bir kuvveti. s.3.3 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. i negatif olduğunda işlem Yt nin i. L−2Yt = Yt + 2 (1. 14 .Bu oranlar 100 ile çarpılarak yüzde değerler biçiminde yorumlanabilir.15) olmaktadır. a. Örneğin Yt için yıllık büyüme oranı t= 8 de (2/20) *100 = 10 yüzde 10 olarak ifade edilebilir.e. i. Daha çok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 . Gecikme İşlemcisi Gecikme işlemcisi Li Yt = Yt −i şeklinde tanımlanır.9. 29 30 Patterson.16) Aynı zamanda L0Yt = Yt (1. L1Yt = Yt −1 ve L4Yt = Yt − 4 (1.

a.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir. a. dereceden bir denklem .. (1.9.e. (1. Bu tür 31 32 Patterson.. s.4.. Patterson. (1. s. s. L− i Yt = Yt +i (1. 34. s.g.. (1 − φ1 L − φ 2 L2 .g.18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır. 15 .e.22) 1. Yt parantezine alarak bu ifade. L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 . Yt − φ1Yt −1 − φ 2Yt − 2 − .g. Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur.Yani L0 . − φ p Lp Yt şeklinde yazılabilir.e. 108-109.e. 1.10.)Yt = φ ( L)Yt (1.21) (1. Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir. • • Bir sabit değerin gecikmesi yine bir sabit değerdir.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır. 34. 34.25) şeklinde yazılabilir. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur. Yt − φ1 LYt − φ 2 L2Yt − . dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 .23) Gecikme işlemcisi L denkleme eklendiğinde. 33 Sevüktekin ve Nargeleçekenler. − φ p Yt − p (1. Gecikme işlemcisi kullanılarak p. a. Bu p. a. Gecikme işlemcisinin özellikleri 33 . 34 Patterson.24) (1...g. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 .

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

Bu ifade sezgisel olarak bir değişkenin değerindeki değişmenin diğer değişkenin değerindeki değişmelerle bir alakası olmadığını söyler. s. Y ) = 1 N ∑(X i =1 N i − X )(Yi − Y ) (1. ve D. Cov ( X . 214. Pindyck R. s. Şekil 1.Her iki değişken aynı zamanda onun ortalamasının altında ve üstünde yer alıyorsa kovaryans pozitif olacaktır. L. Y ) = 1 N ∑ ( X i − X )(Yi − Y ) N − 1 i =1 (1. Irwin/ McGraw-Hill International Edit. 214.3 Pozitif ve Negatif Kovaryanslar (a) Pozitif Kovaryans (b) Negatif Kovaryans Kaynak: Sevüktekin ve Nargeleçekenler.28) X ve Y gibi iki değişken gerçek anlamda bağımsız ise Cov ( X . Fakat kovaryans ölçüsü değişkenler arasındaki değişimin bir ölçüsüdür. 41 Pindyck ve Rubinfeld. 25. Eğer X’ in değeri ortalamasının üstünde fakat Y’ nin değeri ortalamasının altında ise ya da tersi durum söz konusu ise kovaryans negatif olacaktır 39 . X ve Y değişkenlerinin ortalamaları civarındaki sapmaların aritmetik ortalamasını alarak yeniden tanımlandığında 40 . Rubinfeld. 42 Tsay.g. S. s.e. a. Kovaryans. Econometric Models and Economic Forecasts. 26. 26.g.27) Eğilimsiz bir kovaryans ölçeğine ulaşabilmek için serbestlik derecesi dikkate alınır.e. Bu durumda 39 40 Sevüktekin ve Nargeleçekenler. Cov ( X . Singapore. a. s. 1998. 17 . s. a.e. Eğer değişkenler arasında tam bir bağımsızlık varsa kovaryans yine sıfır çıkar. Dolayısıyla eğilimsiz kovaryans tahmincisi 41 . Y ) = 0 olur 42 . Zaman Serileri Analizi.g.. Benzer şekilde eğer iki değişken arasında ilişki yoksa ortalamadan sapmaların arasında da bir ilişki olmadığı anlamına gelir.

e.Y ) = = σ XσY (1. Tam sıfır olma halinde ise değişkenler ya tam olarak bağımsızdırlar ya da doğrusal olmayan bir ilişkiye sahiptirler. Korelasyon katsayısı. Gujarati Damodar N. 23. 2004. Korelasyon katsayısının bu ölçeği -1 ile +1 değerleri arasında değişkenlik gösterir. Sıfıra yaklaştıkça birlikteliğin derecesi düşer. Y ) ρ ( X .29) ile tanımlanan anakütle katsayısına karşılık iki değişken arasındaki örneklem otokorelasyon katsayısı.30) (1. Doğrusal ilişkinin gücünü ölçer 44 . s. Y ) Var ( X )Var (Y ) Cov ( X .e. Y ) σ XσY (1. Burada σ X ≡ S X ve σ Y ≡ S Y ’ dir. s.31) biçiminde yazılabilir. 71. 46 Patterson. Örneklem standart sapma değerleri S X ve S Y SX = ∑(X i − X )2 N −1 (1.29) 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 .g. Denklem (1. değişkenlerden birindeki bir standart sapma değişimin diğer değişkendeki bir standart sapma ile birlikteliğin bir ölçüsüdür. 215. s. 25-26. Basic Econometrics..g. Y ) Var ( X )Var (Y ) = Cov( X .Hill Companies. Ölçek -1 veya +1’ e ne kadar yaklaşırsa birlikteliğin derecesi o kadar yüksektir.da bağıntının doğrusal olmadığı anlamına gelir 43 . Y ) S X SY Cov( X . Bu durumda da tam bağımsızlık söz konusudur 46 . a. 45 Tsay. The McGraw. a. Dolayısıyla değişkenler arasındaki doğrusal bağımlılığın nispi veya oransal bir ölçüsünü elde edebilmek için korelasyona başvurulur. s. a.g. Cov ( X . rXY = veya rXY = Cov ( X .32) 43 44 Sevüktekin ve Nargeleçekenler. 18 .e. Newyork.

1. Delurgio.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır.33) örneklem korelasyon katsayısı olan denklem (1.33) şeklinde hesaplanmaktadır. s. 1998. s. 48 47 19 .31)’ de yerine yazılarak yeniden düzenlendiğinde 47 . Denklem (1.1. Irwing McGraw-Hill Comp. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 . Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile. S. Forecasting Principles and Applications. 59-60.32) ve (1.g.) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır. birlikteliğin istatistiksel anlamlılığı.35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld.e.ve SY = ∑ (Y i − Y )2 N −1 (1. Newyork.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. A.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY . n−2 (1. a.10. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1. 26.

10. Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. Yt + k ) = Cov(Yt .2. 2005. 130. Universitat Autonoma de Barcelona. 51 Tsay.T k = 0. Cov(Yt . Yatay kesit verilerinde de karşılaşılabileceği gibi. a.…. Of Economics and Economic History. Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır. Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir.… Cov(Yt .36) Sevüktekin ve Nargeleçekenler. ±2. s.g. genellikle zaman serilerinde rastlanılan bir durumdur 50 . Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir. 26. Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir. ±1. Durağan stokastik süreç için k gecikmeli otokovaryans. Michael Creel. 1.g. Dept. otokorelasyon olarak genelleştirilir 51 . Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1. • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt).olur. Yt − k ) Cov (Yt . Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 .e. 219. s. Econometrics. 50 49 20 .e. Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır.2. s. a.

γk γ0 (1. 221.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir. 21. k gecikmeli bir anakütle otokorelasyon fonksiyonunu. otokorelasyonun. Yt Yt+1 .Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu. 1997. s.g.39) ρk = olarak bulunur 53 . s. σY = σY t t +k (1. 21 . modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . USA.e. Time Series for Macroeconomics and Finance. John H.…Yt-1 . Yt + k ) σY 2 bu ifade. otokovaryans tanımından hareketle şöyle yazmak mümkündür. Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir.40) 52 53 Sevüktekin ve Nargeleçekenler. otokovaryans/varyans olduğunu gösterir. Cov (Yt . a. Cochrane. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir.38) O halde. Yt +k ) = σY σY t (1. Yt + k ) = γ k Var (Yt ) = γ 0 (1. E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k . Cov(Yt .…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt .

Miller. Robert B. 495. μ . Ele alınan durağan bir seride örnek ortalama. otokorelasyon değerleri kullanılarak gerçek veri üreten sürecin parametreleri tahmin edilir.e. Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanır ve bu örneklem otokorelasyon fonksiyonu olarak adlandırılır 55 .1. Chaos Theory Tamed. Bell. 89. varyans. 1997. 12-26. s. Yukarıda tanımlanan otokorelasyon katsayısı denkleminde otokorelasyon fonksiyonu oldukça pür teorik bir yapıya sahiptir. 55 Pindyck ve Rubinfeld.43) Otokorelasyon fonksiyonunun simetrik olması nedeniyle ( ρ k = ρ − k ) korelasyon pozitif ve negatif yer değiştirmeler için aynıdır. Joseph Henry Press. Dickey. s. 56 Garnett P. var yans David A. Yavaş bir şekilde azalan otokorelasyonların varlığı durağan dışılığın göstergesidir 54 . a. ρ k yerine ˆ ˆ örnek y . Denklem (1.41) σˆ 2 = ∑ T t =1 ( yt − y)2 T (1. y= ∑y t =1 T t T (1. William R.g. 1.42) T −k ˆ ρk = ∑(y t =1 t − y )( yt + k − y ) t ∑(y t =1 T − y) 2 (1. Washington DC. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician. (1986).43)’ den otokorelasyon = otoko var yans olduğu görülür 56 . σ 2 .10. σ 2 ve ρ k değerleri hesaplanır. Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlamlı bir otokorelasyon durumunda seride durağan dışılık söz konusudur. 54 22 . Sayı: 40. s. Ancak sınırlı sayıdaki gözlem için bir stokastik süreci tasvir eder. Williams.3.

. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 .3.Yt −k +1 ) korelasyon katsayısıdır.44) t ACF ( k ) = hesaplanır. s..g. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder. Yt −1 . Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar. Sevüktekin ve Nargeleçekenler.1.10. • 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.46) Bu ifadeden görüldüğü gibi Φ kk . a. diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. a.g.. Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir. 27.e. Yt − 2 . Kısmi otokorelasyonlar. s. Yt −2 .e. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. Kısmi otokorelasyonlar.4. otokorelasyon (1. 23 .45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 .. Yt −k / Yt −1 . k . (1.1. 233. Burada SeACF(k). Φ kk = ρ (Yt . • ACF (k ) Se ACF ( k ) (1.10. 1. 57 58 Tsay.

k − j j=1. bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur. ρ k −1 j =1 k −1 1 − ∑ Φ k −1 . 32. et-2. ρ j i =1 k −1 (1. Bu denklem birinci derece otoregresif J. Newyork.2. 60 Tsay. Yt = δ + φ1Yt −1 + et t = 1.….e.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de. Johnston ve J.…) (1.…. j − Φ kk Φ k −1. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır.g.48) 1.11. 59 24 . ekonomik değişkenlerin gelecekteki değerlerini öngörmektir. a.49) Modelleme bu değişkenlerle ele alınacaktır. f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır. 1.1.47) Φ kj = Φ k −1. 204.T (1. Dinardo. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir. Yt-2. Yt = f(Yt-1.2.….11. s. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır. Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir. φ1 -1 ile +1 arasında değer aldığı varsayılan bilinmeyen parametre ve et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz bir hata terimidir 60 .Φ kk = ρ k − ∑ Φ k −1 . Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi.3. et. McGraw-Hill International Edit. 1997. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 . Econometric Methods.k-1 için (1. s. et-1.

1993. φ1 . C. Hill ve G. AR(1) Sürecinin Özellikleri Zaman serisi analizlerinde.G. Hata terimi et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz rassal değişkenler olarak varsayılır 63 . Pindyck ve Rubinfeld.…. a. John Wiley&Sons. Y2. φ p ’ ler bilinmeyen otoregresif parametrelerdir. Yt yalnızca Yt-1’e bağlı değil ayrıca Yt-1.…’ e bağlı olabilir. s. zaman serisi değişkeni Yt’ nin ortalama. s.. + φ p Yt − p + et (1.. varyans ve kovaryansının hesaplanması önem taşımaktadır. Yani { et } temiz dizidir.1. Bu istatistiksel model yapısı AR(1) süreci olarak tanımlanır 61 . Y2.….E. s. Eğer sürecin otoregresif olduğu tahmin edilse bile birinci derece otoregresif süreçten daha karmaşık olması muhtemeldir. 642. 527. Dolayısıyla p. 63 W.11. 62 61 25 . Bundan başka geçmiş ve gelecekteki rassal değişkenler örnek gözlemlerinde Y1.g. Y3. Judge. Ayrıca Yt ve Yt+k gibi herhangi iki rassal değişken arasındaki kovaryansın zamana bağlı olmadığı. fakat iki rassal değişken arasındaki k sayıda ilerlemeye veya gecikmeye bağlı olduğu varsayılır. Yt-2. Zaman serisi modelleri bir başlangıç noktasından sınırsız bir geçmişte başlayan ve sınırsız bir gelecekte de devam edecek olan Yt’ nin oluşum süreci varsayımına dayanır. YT oluşum sürecinin mahiyetini tam anlamıyla bilmek güçtür. Y3. Griffths. 1.1. Çünkü Yt yalnızca kendi ve bir önceki dönemdeki değerine (Yt-1) ve bir rassal kalıntıya bağlıdır.g. Çünkü örneklem gözlemlerinin Pindyck ve Rubinfeld. dereceden bir otoregresif sürecin istatistiksel modeli AR(p) şu şekilde gösterilebilir: Yt = δ + φ1Yt −1 + φ 2Yt − 2 + .YT olduğu gibi aynı olasılık yoğunluk fonksiyonunu takip eder. bugün ve gelecek değerlerine bakmadan aynı ortalama ve varyansa sahip oldukları varsayılır. φ2 .e.zaman serisi modelidir. Dolayısıyla bütün rassal değişkenlerin geçmiş. a.…. 528. Bir ekonomik değişken için zaman serisi istatistiksel modeli tanımlandığında.e. R. Yt-3. Newyork.51) Burada δ bir kesme parametresi ve stokastik süreç olan Yt’ nin ortalamasını gösterir 62 . Bu varsayım değişkenin geçmiş değerlerinden yola çıkarak gelecek değerlerini öngörmek için önemli bir varsayımdır. zaman serisinin Y1. Learning and Practicing Econometics.

denklem (1.g. s.g. Yt’ nin ortalaması μ = 0 olacaktır.g. Bu varsayımla seri ortalamadan sapmalar cinsinden tanımlanmış olur. Ortalamadaki bu tanımlama serinin varyansını ve kovaryansını etkilemez 67 . a. 127.g. 528.52)’ yi δ = 0 varsayımı dikkate alınarak yeniden yazıldığında. Denklem (1. bu durumda Yt’ nin ortalaması. a. AR(1) süreci için ortalama. a. 26 . s.e. a. 67 Sevüktekin ve Nargeleçekenler. Yani ( Yt − μ )’ e ulaşılmış olur. E (Yt ) = E (δ + φ1Yt −1 + et ) E (Yt ) = E (δ + φ1Yt −1 ) + E (et ) E (Yt ) = E (δ + φ1Yt −1 ) (1. Yt = φ1Yt −1 + et (1. 126. Pindyck ve Rubinfeld. Otoregresif parametrenin değeri | φ1 | < 1 ise süreç durağan olarak kabul edilir 66 .e. σ 2 ) (1. μ = δ + φ1 μ E (Yt ) = μ = δ /(1 − φ1 ) (1.oluşturduğu veri üretme süreci rassal değişkenin geleceğini ele almıyorsa.55) 64 65 Sevüktekin ve Nargeleçekenler.e. 527.53) Bir zaman serisinin gözlenebilecek sonuçları Yt bütün dönemler için aynı olasılık yoğunluk fonksiyonuna sahipse. AR(1) sürecinde Yt’ nin varyansını bulmak için. varyans ve kovaryanslar. Yani E(Yt ) = E(Yt-1 ) =…= μ olur 65 . s.52)’ de sabit terim δ = 0 olduğu varsayıldığında. bu durumda örneklem verilerine dayanan öngörüler güvenilmez olur 64 . varyansı bütün dönemlerde aynı olmalıdır. Yt = δ + φ1Yt −1 + et et ~ IID(0. s. 66 Pindyck ve Rubinfeld.52) Denklemde Yt’ nin beklenen değeri alındığında.e.54) sonucu elde edilir.

57) Bu kovaryans bütün rassal değişkenler için aynıdır. Buradan Yt’ nin varyansı. Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır. Yt − k ) = φ1k σ Y k=0.59) olarak hesaplanmaktadır. Cov (Yt . Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir. a. Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 .g.58) sonucunu verir. 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) (1.2. 2 Cov (Yt −1 .… (1.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 . İki tarafın varyansı alındığında . 2 γ k = Cov (Yt . Birer dönem gecikmeli kovaryans ise.e. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1. Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (1.olacaktır. 27 . 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. Dolayısıyla k gecikmeli kovaryanslar. 34. s.1.60) 68 Tsay.

a. 69 70 Pindyck ve Rubinfeld. İkinci derece bir otoregresif süreç AR(2).2. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir.63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . 209.g. 65. Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır.62) ile hesaplanmaktadır 71 .2. Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0.11.64) ile verilir 74 . Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir. s. a. s.e. Yt ile Yt-k arasındaki korelasyon. ±2. 74 Pindyck ve Rubinfeld. AR(1) süreci için otokorelasyon katsayısı. 28 . 73 Johnston ve Dinardo. 529. s.g. s.e.g.g.1. a. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0. ±1. ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 .62)’ den görülmektedir.1. AR(2) Sürecinin Özellikleri k = 1.2. 528. Cor (Yt . a. 72 Pindyck ve Rubinfeld. a. 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir.g. Ayrıca k = 0 için ρ = 1 olacağı denklem (1.e.e.e. s. σ 2 ) (1. Patterson. 1.g. Yt − k ) = Cov(Yt . s.… (1.e.… (1.… (1. 71 Tsay. 530. a.61) ile verilir 69 .k gecikmeli otokovaryans katsayısı. 26. Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 .

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

.. Genel olarak AR(p) süreci.68). + φ p Yt − p + et (1. (1. = E (Yt − p ) = μ olur.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + .g. (1. 4. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1.1.3. 79 Sevüktekin ve Nargeleçekenler.g.73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır. a. a. modellerin sağ tarafında yer alan değişkenler açısından fark vardır.e. 531. s. s..73) Denklem (1. AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın. 30 . γ0 = bulunur 77 .69) eşanlı olarak çözüldüğünde.e.71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır.… (1. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur. Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 . AR(2) süreci için otokorelasyon fonksiyonu (ACF). k = 3. 531.73) ile geleneksel model [Yt = E (Yt ) + et ] arasında. ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 .Denklem (1.11. Denklem (1. Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur. 77 78 Pindyck ve Rubinfeld.72) 1.g. 136.e.67). E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = . Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1.. a. Pindyck ve Rubinfeld. s.

Kısmi otokorelasyon katsayısı. 41. 1. Kısmi otokorelasyon katsayıları bir gecikme için sıfırdan farklı.11. diğerleri için sıfırdan farklı değilse süreç AR(2) sürecidir.. diğer gecikmelerin etkisi sabit kalmak koşuluyla Yt ile herhangi bir k gecikmesinde oluşturulan Yt-k gözlemleri arasındaki korelasyon anlamına gelir.e.g. Yt = μ + et + θ1et −1 + θ 2 et − 2 + . a. Otoregresif Sürecin Derecesinin Belirlenmesi (1. s.g.. 1. + θ q et − q (1. a.11. Kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı. p gecikmeden sonra anlamsız ise sürecin derecesinin p olduğu söylenir 82 . Hareketli Ortalama Süreci (Moving Average Process-MA) Hareketli ortalama süreci bir zaman serisinin t dönemindeki değerini.. 211-212..e.1.75) Burada korelasyonsuz rassal hata terimi et ortalaması sıfır ve sabit bir varyansa 80 81 Tsay. Genel olarak MA(q) süreci. Johnston ve Dinardo. s. a.O halde ortalama. Yt üzerinde etkili olan gecikmelerde kısmi otokorelasyon katsayısının sıfırdan farklı yani istatistiki olarak anlamlı olması gerekir. + φ p μ μ = δ /(1 − φ1 − φ 2 − . μ = δ + φ1 μ + φ 2 μ + . s.g. 39. 82 Tsay.e.e. 83 Pindyck ve Rubinfeld. diğerleri için sıfırdan farklı değilse süreç AR(1) sürecidir. a. 31 . − φ p ) olur 80 . hata payının cari ve geçmiş dönem değerlerinin ağırlıklı ortalaması ile ifade eden bir süreçtir 83 .g.4.74) Otoregresif sürecin derecesinin belirlenmesinde kısmi otokorelasyon fonksiyonu kullanılır 81 .. 522. s. Aynı şekilde kısmi otokorelasyon katsayıları iki gecikme için sıfırdan farklı..2.

a. Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . 84 32 . 85 Tsay. Denklem (1. Cov(Yt .77) sürecin varyansı 85 . Yt = μ + et + θ1et −1 (1. s.75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır. A Handbook of Time Series Analysis Signal Processing and Dynamics.2. 51. s.1.e. Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1.sahiptir 84 . E (Yt ) = μ (1. Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt .q) bilinmeyen parametrelerdir. MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir. Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans.79) γ2 = 0 k sayıda gecikme dikkate alındığında. Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1. G. Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1.11. Academic Press.76) sürecin ortalaması.…. USA.g. S. 517.78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise.80) D. θ i (i=1. 1.2. Cov(Yt . Pollock. 1999. Cov(Yt .

s. Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir.84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise. 88 Pindyck ve Rubinfeld.85) Pindyck ve Rubinfeld. Diğer verilerle herhangi bir korelasyon yoktur 86 .11. 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. MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1.g.81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. a.e. a. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1.g.2. E (Yt ) = μ sürecin varyansı. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması.82) k 〉1 1. a.γk = 0 (1. Hill ve Judge.83) ile ifade edilir 89 . 655. MA(1) sürecinin otokorelasyon fonksiyonu 88 . 524. 33 .83) (1. ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1. s.e. 524.g. Griffiths. s.g.e. 524. MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 . Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1. a. 89 Pindyck ve Rubinfeld. Cov(Yt .2.e. s.

Cov(Yt .g. Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1. (1. 524.e.γ 1 = θ 1σ e2 + θ 1θ 2σ e2 = σ e2 (θ 1 + θ 1θ 2 ) Yt ile Yt-2 arasındaki kovaryans ise. Cov(Yt . 1. MA(2) sürecinin otokorelasyon fonksiyonu ise. Pindyck ve Rubinfeld. a.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1. s. a. 34 . varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir. MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması. 144-145.e. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1.88) (1. Yt − k ) = γ k = 0 olur 90 .92) ρk = 0 bulunur 91 . s.2.3.86) γ 2 = θ 2σ e2 Yt ile Yt-3 arasındaki kovaryans ise. 90 91 Sevüktekin ve Nargeleçekenler. Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir.91) (1.90) (1. Cov(Yt .87) γ3 = 0 O halde k dönem gecikmeli kovaryans.11.g.

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

(1. 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 = . q (1...97) MA(2) sürecindeki denklem (1. q k〉q (1. MA(q) süreci için otokorelasyon fonksiyonu.... + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1...g. gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır. 96 Bir süreç zayıf veya kovaryans durağan ise.e. Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır.11.85). + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 1. s..99) k〉q olur 97 .2.. 97 Sevüktekin ve Nargeleçekenler... s. = 0 (1. 148. 36 . Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 . 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.. ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + .. Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil..g. ⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + .86) ve (1... a.Bu durumda. + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + .. 527. 1.98) (θ 1 . a..2. 98 Pindyck ve Rubinfeld.e.. θ q ) ’ nun herhangi bir değeri için MA(q) süreci kovaryans durağan 96 olarak ifade edilir.3..87)’ de ifade edildiği gibi. θ 2 .

. Başka bir ifadeyle zaman serisi modeli hem AR.. E (Yt ) = μ = δ + φ1 μ + .100)’ ün beklenen değeri alındığında.. s. γ 0 = Var (Yt ) = E (Yt − μ ) 2 99 100 Pindyck ve Rubinfeld.1. a. a... hem de MA bileşenleri p.e. + φ p 〈1 koşulunun sağlanması gerekir 100 .1)’ dir.g. Yani.e.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. − φ p ) (1. ve q.101) Bu sonuç ayrıca durağanlık için gerekli koşulu da belirtir..1) Sürecinin Özellikleri (1. 1. 37 .g. ARMA(1. hata terimi et. + φ p Yt − p + et + θ 1et −1 + . 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 + .. 535.3. Yt = δ + φ1Yt −1 + . E(et) = 0 ve Var (et ) = σ e2 ile korelasyonsuz rassal değişkenlerdir (Süreç durağan ise ortalama μ ’ ye eşittir).... dereceden olmak üzere ARMA(p. Denklem (1. s. Pindyck ve Rubinfeld.103) Eğer δ = 0 ise özdeş olarak seri Yt ortalamadan sapma formunda ise sürecin varyansı. + φ p μ + 0 + θ 1 0 + . + θ q 0 μ= δ (1 − φ1 − .11.. + θ q et − q (1.q) olarak tanımlanır ve şu şekilde gösterilir 99 .102) En basit karma otoregresif hareketli ortalama süreci ARMA(1..100) Burada kesme terimi δ . 535. Yt = δ + φ1Yt −1 + et + θ1et −1 (1. Yt’ nin ortalaması. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileşenlerini aynı anda içerebilir.

101 102 Pindyck ve Rubinfeld. Yt-2 veya et-2 ile korelasyonlu değildir. 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. Pindyck ve Rubinfeld.g. γ 2 .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.107) γ k = φ1γ k −1 k≥2 Otokorelasyon fonksiyonu. E (Yt −1et −1 ) = E [(φ1Yt − 2 + et −1 + θ1et − 2 )et −1 ] = E (et2−1 ) = σ e2 ile tanımlanır. s.109) ρ k = γ k / γ 0 = φ1 ρ k −1 olur 102 . γ k sırasıyla.105) γ 2 = E (Yt − 2Yt ) = E [(Yt − 2 (φ1Yt −1 + et + θ1et −1 )] = φ1γ 1 ve (1. ρ1 = γ 1 (1 + φ1θ1 )(φ1 + θ1 ) = γ0 (1 + θ12 + 2φ1θ1 ) k≥2 (1. a.. Kovaryanslar ise γ 1 . Bu ifade de et-1. 38 . a. 536..e.106) (1.104) elde edilir 101 .e.g. s. Yukarıdaki ifade düzenlendiğinde. 535. γ 0 (1 − φ12 ) = σ e2 (1 + θ 12 − 2φ1θ 1 ) ve φ1 < 1 ise varyans.. γ0 = (1 + θ12 − 2φ1θ1 ) 2 σe (1 − φ12 ) (1.108) (1..

. Ancak gerçek hayattaki zaman serilerinin çoğu zaman boyunca değişen belirli bir stokastik sürecin özelliklerini taşıması nedeniyle durağan değildir 104 . Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) Seriler durağan sürece sahip olduğu varsayımından hareketle AR. 39 . Böyle zaman serilerine entegre süreç adı verilir.110) ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 + .q) sürecinin kovaryansı. Genel ifadesi.4. k ≥ q+1 için otokorelasyon fonksiyonu ve kovaryansları pür otoregresif sürecin özelliklerini gösterir 103 . + φ p γ k − p Otokorelasyon fonksiyonu.1) süreci AR ve MA bileşenlerinin bir kombinasyonudur. bir gecikmeden sonra AR bileşeninin etkisiyle otokorelasyon fonksiyonu azalan bir davranış sergiler. s. Pindyck ve Rubinfeld. ARMA(p..3.113) Pindyck ve Rubinfeld. a. 228.e. 537. s. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA sürecinin özelliklerini birlikte gösterir.. s. MA süreci bir dönemlik belleğe sahip olduğu için. 1. + φ p ρ k − p k ≥ q+1 (1. MA ve ARMA süreçleri yukarıda ifade edilmiştir.11.q) Sürecinin Özellikleri Daha yüksek dereceden süreçler için. k ≥ q+1 (1. d=1 için.g. q sürecin hareketli ortalama kısmının belleğidir. + φ p Yt − p + ∆d Yt + et + θ 1et −1 + .. 538.e.g.ARMA(1. Ancak bu zaman serilerini durağanlaştırmak için serinin bir veya daha fazla farkını almak suretiyle dönüştürme işlemi gerçekleştirilebilir. a. a. ARMA(p.. Burada ∆d entegrasyon işlemi anlamına gelir 105 . 1...e.2..Yt-1 103 104 (1.112) şeklindedir.g.111) ile gösterilebilir. + θ q et − q (1. γ k = φ1γ k −1 + φ 2 γ k − 2 + . 105 Johnston ve Dinardo. Yt = φ1Yt −1 + .11. ∆Yt = Yt .

106 107 Maddala. San Francisco. Introduction to Econometrics.114) 1. Avcı Ofset. Serinin korelogramından MA(q). s. 270. Aşama: Uygunluk Testi Bu aşamada tahmin edilen regresyonun (ARIMA modelinin) incelenen seriye uygun olup olmadığı araştırılır. a.Jenkins yaklaşımı. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse modelin uygunluğuna karar verilir. Bunun için regresyonun hata terimlerinin korelogramı incelenir. Ekonometri. s. q değerleri belirlenir. 108 Recep Tarı.q) süreçlerinden hangisine uygun olduğu tespit edilir. Jenkins G. q değerlerinin seçimidir. Bunun için serinin korelogramı çizilir. en uygun p. Zaman serisinin modelini kurmada ortaya çıkan problem. 109 Kutlar. Eğer otokorelasyon fonksiyonu herhangi q zirveye sahip ve ondan sonra kesintiye uğruyor ise modelin q mertebede MA(q). 3.. zaman serisi verilerinin analizinde en yaygın kullanılan yöntemlerden biridir 106 . s. 2005.g. 1976. 429-430. M. d=2 için. Holden Day. Bir seride bu değerlerin bulunmasında Box.Jenkins (BJ) Yöntemi Box. 542. İstanbul.Jenkins yöntemi uygulanmaktadır. 19. ∆2 Yt = ∆(YtYt-1) = Yt . Box-Jenkins yöntemi 107 durağan zaman serilerinin modellemesinde kullanılır. s.P. 2.q) olduğu söylenir 109 . d.12. Aşama: Tahmin Birinci aşamadaki değerlendirmeler ışığında belirlenen ARIMA modeli tahmin edilir. Yöntem dört aşamadır 108 : 1.e. 40 . Box G.olur.2Yt-1 + Yt-2 (1. d.. Time Series Analysis: Forecasting and Control. 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. Box. Aşama: Belirlenme Bu aşamada uygun p.E. AR(p) veya ARMA(p.

4. Tablo 1. s.4 ACF ve PACF’ nin Teorik Davranışları Model Otokorelasyon Fonksiyonu (ACF) AR(p) MA(q) ARMA(p. Kaynak: Sevüktekin ve Nargeleçekenler. Durağan modeller için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının teorik davranışı Tablo 1. 168. Aşama: Öngörü Tahmin edilen ARIMA modeli ile öngörü yapılmaktadır.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.4’ te gösterilmektedir. 41 . Zaman Serileri Analizi.

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. s.g. “Türkiye’de Enflasyon ve Ekonomik Büyüme İlişkisi (1924-2002)”. (2004).e. Gazi Üniversitesi. varyansı ve kovaryansı zaman içinde sabit kalıyorsa o serinin durağan olduğu söylenir. 59-75. Ayrıca durağan olmayan serilerde oluşan geçici bir şok kalıcı belleğe neden olur. 42 . Değişkenler arasında anlamlı bir ilişki yoksa bile anlamlı bir ilişki varmış gibi görünür. 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. a. Bu sebeplerden ötürü zaman serileri ile çalışıldığında ilk aşamada serilerin durağanlık analizlerinin yapılması gerekmektedir. Bu da serilerin belli bir değere yaklaşmasını yani durağanlığını engeller. sadece zaman aralığından kaynaklanmaktadır. öncelikle serilerin durağanlığının test edilmesi gerekmektedir 2 . Bu nedenle. durağan olmayan serilerle çalışıldığında. 171. H.. İktisadi ve İdari Bilimler Fakültesi Dergisi.İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ Zaman serisi verileri kullanılan çalışmalarda serilerin durağan (stationary) olmaları önemlidir. Bu durumda standart t istatistikleri ve R2 değerleri olduğundan daha yüksek çıkar 1 . s. Bundan 1 2 Enders. zaman serileri ile çalışırken. Terzi. 3 Gujarati. Bir zaman serisinin ortalaması. s.e. a. Zaman serileri analizinde. Sayı: 3. oluşturulacak regresyonun sonuçları gerçekçi olmamaktadır ve durağan olmayan (nonstationary) serilerin kullanılması regresyona tabi tutulan değişkenler arasında sahte (spurious) ilişkiye neden olur.g. 797.

252. Bir serideki birim kök sayısı serinin durağan olana dek alınması gereken fark sayısına eşittir. Gujarati.g. Yt serisi 1 farkı alınınca durağan oluyorsa seri 1. 2.1 Durağan Bir Zaman Serisi Grafiği Kaynak: Maddala.dolayı serinin ortalaması zamanla değişmemektedir. dereceden durağandır denir ve I(1) olarak gösterilir. Introduction to Econometrics.e. dereceden durağandır denir ve I(d) ile gösterilir 5 . s. Zaman serilerinin uygun bir modele oturtulabilmesi için bu serilerin önce durağan hale getirilmesi gerekir 4 . Bu koşullardan birisi sağlanmadığında serinin durağan olmadığı söylenir. a. Ancak gerçek dünyadaki zaman serilerinin çoğu durağan değil ve dolayısıyla serilerin ortalaması zamanla değişmektedir.g. Şekil 2.e. 529. 43 . 805. a.Birim kök testleri uygulanması. Genel olarak seri d kez farkı alınınca durağan oluyorsa seri d. s. Durağan olmayan seriler birim kök (unit root) içerirler.Serinin korelogramının incelenmesi.e. 215. s. a. 6 Johnston ve Dinardo. s. Bir serinin durağan olup olmadığını anlamanın iki yolu vardır 6 : 1. 4 5 Kutlar.g.

e. s. s. 171. “Spurious Regressions in Econometrics”. Journal of Econometrics. Granger ile Newbold’ un önerdikleri gibi 8 . s. R2>DW ise tahmin edilen regresyonun sahte olduğundan şüphelenmek için gevşek bir kuraldır. 10 Sevüktekin ve Nargeleçekenler.1. 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 . Baltagi. Durağan olmayan bir zaman serisinin. durağan olmayan bir zaman serisine göre regresyonu oluşturulduğunda standart t ve F sınamaları sınama süreçleri geçerli değildir 9 .2. 2. Newbold. UK.e. P. Introduction to Econometrics. Blackwell Publishing. a. a. A Companion to Theoretical Econometrics. 9 Enders. 241. Granger. 2003. Sayı: 2.2 Durağan Olmayan Bir Zaman Serisi Grafiği Kaynak: Maddala. 44 .W. 557.J. Regresyon çıktılarına bakıldığında R2 yeterince yüksek ve t istatistikleri anlamlıdır. 2. (1974). Eğer seri belirli bir ortalama 7 8 Badi H. Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının. 530. Korelogram.g. otokorelasyon fonksiyonunun seçilen gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir. Sahte (Spurious) Regresyon Zaman serisi kullanarak oluşturulan regresyonda durağan olmayan serilerin kullanılması. C. s. Fakat sonuçların bir ekonomik anlamı bulunmamaktadır. yapılan tahminde sahte (spurious) regresyonu ortaya çıkarır 7 . s.Şekil 2. 111-120.g. fakat DW (Durbin Watson) istatistik değeri küçüktür.

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

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.

4) (2. Cambridge. Cambridge University Press. Yt − Yt −1 = et (1 − L)Yt = et ∆Yt = et (2. zaman serisini durağan dışı gösterir. σ 2 ) durağan stokastik olarak tanımlansın. et ~ IID(0. durağan olmayan zaman serisi için kurulacak regresyon denkleminde. t deterministik trend. Trend Durağanlık ve Fark Durağanlık Durağan olmayan zaman serilerinde durağan dışılığın nedenleri serilerdeki deterministik trend veya stokastik trenddir. Kim. Bir zaman serisinin sahip olduğu deterministik trend yapısı zaman yolu grafiği kullanılarak ortaya konulabilir.e. 821.3. Birinci yaklaşım. Daha sonra bu regresyondan elde edilen kalıntılar üzerinde analizler yapılır. 167. s. deterministik trend yoksa stokastik trend olması muhtemeldir. a. Bu durağanlaştırma işlemi fark alma olarak tanımlanmaktadır. S ve I. seri trend (zaman) üzerine regrese edilir. s. Trend durağan olmayan süreçler için durağanlaştırma iki temel yaklaşımla gerçekleştirilmektedir16 . Burada Yt-1 stokastik trend. Gerçekte durağan bir zaman serisinde. Modelin her iki tarafında birinci fark alındığında varsayım gereği durağan olmayan Yt serisi durağan hale gelecektir 18 .2. Yt = μ + βt + et bileşendir 17 . 1998 s. Unit Root Cointegration and Structural Change. et ~ IID(0.g. 18 Enders. zaman serisi modeline trend bir regresör olarak ilave edilerek gerekli analizler yapılır. 47 . İkinci yaklaşımda ise.e.g. serinin sahip olduğu deterministik trend etkisiyle ortalamasının değişmesi. 17 Gujarati. σ 2 )’ dir. M.3) Burada Yt zaman serisi. 4. Eğer durağan olmayan zaman serisinde. a.5) 16 Maddala G. Durağan olmayan zaman serisindeki stokastik trend yapısı dışlanarak seri durağanlaştırılır. Örneğin basit bir pür rassal yürüyüş serisi Yt = Yt −1 + et (2.

Econometric Methods. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). a. 221. s. s. 28. 802. Gujarati. Londra. I. değişkenin bir 19 20 Johnston ve Dinardo. Johnston ve J.4. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. 1995.5 Trend Durağan ve Fark Durağan Seriler Kaynak: J. Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 .4.1. Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin).e. birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 . serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı. Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı. 2. a. 2. s. Şekil 2.g. Using Cointegration Analysis in Econometric Modelling. 21 R. 221. Printice Hall. D. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır. 48 .g.e. Harris. s. Dinardo.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . Bir zaman serisinin uzun dönemde sahip olduğu özellik.

τ (tau) istatistiği (DF-test istatistiği) 22 23 (2. a. Bu bir önceki dönemde iktisadi değişkenin değerinin ve dolayısıyla o dönemde maruz kaldığı şokun olduğu gibi sistemde kalması anlamına gelir. Bu şokların kalıcı nitelikte olması serinin durağan olmaması ve zaman içinde gösterdiği trendin stokastik olması anlamına gelir.g. Burada ut kalıntı terimidir.önceki dönemde aldığı değerinin. Bunun için uygulanan test DickeyFuller (DF) testidir. Bu durumda artık sıfır hipotezi ϕ = 0 olarak tanımlanır.6) şeklinde ifade edilir. 814. Yt serisinin birinci farkları durağan olacaktır 23 . s. ρ = 1 olduğunda ϕ = 0 olacaktır ve böylece ΔYt = Yt − Yt −1 = u t olacağından. serinin her dönemde aldığı değerin daha önceki dönemlerdeki değerleriyle regresyonunun bulunması gerekmektedir.9) Tarı. Gujarati.8) ΔYt = Yt − Yt −1 ’ dir. Denklem (2.7) şeklini almaktadır. bu etki giderek azalacak ve kısa bir dönem sonra tamamen ortadan kalkacaktır 22 . a. bu dönemi nasıl etkilediğinin belirlenmesiyle ortaya çıkarılabilir. 393-394. Yt = ρYt −1 + u t (2.8)’ e göre H0 : ϕ = 0 olup. (2. s. ilgili hipotezler durağan olmama durumunu ifade eder.6)’ ya göre H0: ρ = 1 ve denklem (2.e. Bu model birinci dereceden otoregresif AR(1) modelidir. Eğer ρ katsayısı birden küçük çıkarsa.e. Yt değişkeninin bu dönemde aldığı değerin geçen dönemdeki değeri olan Yt-1 ile ilişkisi. 49 . Bu amaçla geliştirilen birim kök testi ile serilerin durağan olup olmadıkları belirlenebilmektedir. Bu nedenle serinin nasıl bir süreçten geldiğini anlamak için. Eğer ρ katsayısı bire eşit bulunursa birim kök sorunu (durağan olmama durumu) ortaya çıkmaktadır ve model Yt = Yt −1 + u t (2.g.6) nolu denklem başka bir biçimde şu şekilde de yazılabilir: ΔYt = ( ρ − 1)Yt −1 + u t = ϕ Yt-1+ ut (2. geçmiş dönemlerdeki şoklar belli bir süre etkilerini sürdürseler de. Bu testte bilinen t istatistiği.

Bir serinin Enders. Birçok iktisadi zaman serisi durağan sürece sahip olmazlar. 1996. (1979). 387.e.13) bu modele DF sınaması uygulanırsa. H0 hipotezi reddedilemez ve serinin durağan olmadığı (birim kök içerdiği) sonucuna varılır 26 .11) (2.10) (2. Sayı: 18.g. Sayı: 74. Eğer τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden küçükse. Bu çeşit durağan olmama durumu tüm değişkenlerin birinci farklarının alınmasıyla sıklıkla ortadan kaldırılır 29 .A. dereceden bütünleşik (entegre) olduğu söylenir ki bu onların otoregresif yapılarının bir birim köke sahip olduğu anlamındadır. 2. Dickey. 26 Tümay Ertek. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.12) Burada t zaman ya da genel eğilim değişkenidir. s. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. Bu nedenle τ istatistiği MacKinnon kritik değerleri ile karşılaştırılır. 28 Enders. 29 Bentzen Jan ve Engsted Tom. a. 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. 817. ˆ Dickey Fuller testinde kullanılan yukarıdaki üç model için sırasıyla τ . 182. 25 24 50 . s.e. dolayısıyla belli bir zaman sürecinde stokastik (olasılıklı) olarak değişen trend etrafında dağılırlar. s. Böyle süreçlerin 1. τ (tau) istatistiklerinin kritik değerleri Dickey ve Fuller tarafından Monte Carlo benzetimleriyle tablolaştırılmıştır 25 . Fuller. Institute Of Economics Aarhus School of Business.g. Journal of the American Statistical Association. a.g. 182. s. a. s. Ekonometriye Giriş. D. Beta Yayınları. No. 27 Gujarati. İstanbul. 427-431. buna Genişletilmiş Dickey Fuller (ADF) sınaması adı verilir 27 . s.e. 366. W. 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. (1992).A.olarak adlandırılır ve τ istatistiklerinin değerlendirilmesinde bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t dağılımına uymaz) 24 . τˆμ ve τˆβ istatistikleri kullanılır 28 .

405.4. 51 . 210. 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.e. s.14) olur.2.1. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için.birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir. Dickey-Fuller tarafından 30 31 Tarı. Durağan olmayan bütünleşik seriler.g. 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. 227-228-229. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 . a. H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde.g. ΔYt= ϕ Yt-1+ut (2. boş ve alternatif hipotezler bu şekilde olmaktadır. Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 . Durağan seriler bir şoktan sonra ortalamasına geri döner. zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir. Patterson. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken. zaman serilerinin niteliği göz önüne alınmalıdır.e.4.1. ˆ 2. 2.e. Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 . Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. s. a. ρ =1 ise yani birim kök varsa ϕ =0 olur. 32 Patterson. a.g.1. s.

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

e. 230. a.1.g. Burada β 0 bir kayma terimidir.17) Bozkurt. Aksi halde seride gözle görülür bir trend olacaktır ve bu durumda geçerli olduğu ileri sürülen hipotez doğru başlangıç noktası olmayacaktır. Pür rassal yürüyüş sürecine kesme terimi eklenerek. DF Φ1 sınaması kullanılarak birleşik boş hipotez testi uygulanır. Eğer boş hipotez ( H 0 : β 0 = 0 ve ϕ = 0 ) reddedilmezse. s. β 0 = 0 reddedilmemiş olduğundan kesme içermeyen en kısıtlı modele (Yt= ρ Yt-1+ut ) geçmek mümkündür 39 . β 0 kadar 53 . Gerçekte kayan rassal yürüyüş biçimsel olarak devre dışı bırakılmasa da ϕ = 0 iken β 0 ≈ 0 olması beklenir. uzun dönemde Yt bir sabit sayı olan β 0 /(1 − ρ ) ’ a doğru yönelme eğilimindedir 40 . 232.e. Ancak bu modellerde trend yaratmak için bir mekanizma yoktur. ΔYt= β 0+ β 1t+ ϕ Yt-1+ut 37 38 (2. Eğer verilerde trend varsa τˆ ve τˆμ geçerli bir başlangıç noktası değildir. Daha uygun geçerli regresyon. 40 Patterson. 2. 38. a. ut’ nin belirli gerçekleşmesi ne olursa olsun Yt-1 ile kıyaslandığında Yt’ deki değişme olacaktır.3. a. 39 Patterson.e. Yt= β 0 +Yt-1 + ut şeklini alır.H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 olacaktır 37 . s.4.g. 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. s.g. 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. 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.

Eğer serinin zaman yolu grafiğinden deterministik trend içerdiği açıkça gözleniyorsa H 1c pek muhtemel değildir. β 1 . H 1a ’ da deterministik trend vardır. ϕ ) birim kök yok. β1 . s. Çünkü H 1c ’ de trend yaratacak bir mekanizma yoktur. β 1 . β 1 . H 1c : ( β 0 . H 0 : ( β 0 . ϕ ) birim kök ve deterministik trend yok. ϕ ) = ( β 0 . H 1c ’ de deterministik trend yoktur. Φ 3 ve sınaması τˆβ test istatistikleridir. H 1b : ϕ = 0 ve β1 ≠ 0 . Bu alternatif hipotezlerden sadece biri birim köklüdür. 233.0. Geriye H 1a ve H 1c kalmaktadır. Burada ϕ = ρ -1’ dir. Yani Yt deterministik bir trend etrafında durağandır. 54 . deterministik trend var. ϕ = 0 olması nedeniyle birim kök vardır.0) şeklinde yazılabilir. uygun başlama noktası kesme ve deterministik trend içeren geçerli regresyon. ϕ ) = ( β 0 .e. Bu şekilde alternatif hipotezlerden herhangi birinin doğru olması nedeniyle H 0 reddedilebilir. β 1 .g. Seride açıkça bir trend yoksa ve alternatif hipotez altında ortalama sıfırdan farklı ise Φ1 41 Patterson.0) birim kök ve deterministik trend var. Bu iki alternatif hipotez birim kökü reddetme açısından birbirine benzemekte ancak deterministik trend açısından birbirinden ayrılmaktadır. ϕ ) = ( β 0 .0.olacaktır 41 . serinin niteliği göz önüne alınmalıdır. ϕ ) = ( β 0 . Boş hipotez. Bu sıfır hipotezi. Bu hipoteze göre ΔYt= β 0+ β 1t + ut’ dir. Bu durum fark entegre edildiğinde Yt’ nin düzeyinin β 0t cinsinden bir terim ve β 1t 2 cinsinden bir terim içereceği anlamına gelir. H 1b : ( β 0 . Bu boş hipotez üç nedenden biri ile reddedilebilir: H 1a : ( β 0 . Düzeyde bu durumun ortaya çıkması pek muhtemel değildir. a. β 1 . β 1 =0 olması nedeniyle deterministik trend yoktur anlamına gelmektedir. Bir test istatistiği ve uygun alternatif seçimi yapılırken. Bu durumda boş hipotezi reddetmeye yönelik sadece H 1a kalmaktadır. Örneğin seride bir trend mevcutsa.

bu halde vt = φ 2Yt − 2 + . + φ p Yt − p + ε t (2.18) Burada. s. Seride açıkça görünen bir ˆ trend yok ve alternatif hipotez altında ortalama sıfır ise τ istatistikleri uygun başlangıç noktası olacaktır.4. SSRu kısıtsız denklemin kalıntı kareler toplamı. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. T gözlem sayısı.4.2. a. sıfırdan farklı olacaktır.1.. a. s.e. 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 . modelin kalıntılarının otokorelasyonu incelenerek yardım alınabilir. Sıfırdan farklı otokorelasyonlar var ise AR modelinin derecesi arttırılabilir45 .e. (1981).ve sınaması τˆμ test istatistikleri uygun başlangıç noktasıdır. k kısıtsız denklemdeki katsayıların sayısı. Sayı: 49. 45 Patterson. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + . Yt = μ + φ1Yt −1 + vt kullanılmış ise. Alternatif olarak Patterson.. 238-239. 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 ) (2.21) olacak ve vt ile vt-1’ in k>1 için otokorelasyonları. a. Bu nedenle AR(1) modelinin uygun olup olmadığı konusunda.4.A Fuller. 37-38. 44 Bozkurt. 233-234. DF Testleri İle Birleşik Hipotez Testi Dickey ve Fuller 43 çalışmalarında β 0 .g..A Dickey ve W. 43 42 55 . s.g.19) verileri yaratan süreç denklem (2. D. s.e. 1057-1072.19) olmasına rağmen AR(1) modeli. Genişletilmiş Dickey-Fuller (ADF) Testi AR(p) süreci şu şekilde ifade edildiğinde. 2. SSRr kısıtlı denklemin kalıntı kareler toplamı.g. 2. gecikmeli Yt değerlerinin mevcudiyeti nedeniyle. r kısıtların sayısıdır 44 . + φ p Yt − p + ε t (2.20) (2..

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

Sevüktekin ve Nargeleçekenler.e. Biometrika. 51 50 57 . 53 Enders.e.g. s. s.3. Bu durumu daha iyi anlamak için şu regresyonlar dikkate alınır 54 .Genel olarak ADF(p) modeli. modele gecikmeli değerler ekleyerek Dickey-Fuller testini otokorelasyon problemine karşı düzeltmiştir. s. Dickey-Fuller birim kök testi hata terimlerinin istatistiki olarak bağımsız olduklarını ve sabit varyansa sahip olduklarını varsayar.g. 2.28) Patterson. a.g. 54 Peter C. Phillips-Perron (PP) Testi Zaman serilerinin bir çoğunun durağan bir sürece sahip olmamaları. 1 ~ ~ ~ ~ y t = μ + β (t − T ) + α y t −1 + u t 2 (2. 52 Bozkurt.27) olur ve tüm test prosedürleri aynı şekilde uygulanır 50 . ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + βt + ε t j =1 p (2. (1988). 41.26) şeklini alır.e. Phillips-Perron birim kök testi ise hata teriminin zayıf derecede bağımlı olmasına ve heterojen olarak dağılmasına izin vermektedir 53 . 229.g. s. Sayı: 75. Phillips ve Perron (1988) Dickey-Fuller’ ın hata terimleri ile ilgili varsayımını genişletmişlerdir. a. 240. Ancak literatürde başka birim kök testleri de mevcuttur 51 . “Testing for a Unit Root in Time Series Regression”. Phillips. Pierre Perron. ˆ ˆ ˆ yt = μ + αyt −1 + u t . a. birim kök hipotezini inceleyen istatistiki testlere olan ilgiyi arttırmıştır 52 . Genişletilmiş Dickey Fuller testi. Bu sayede otokorelasyon sorunu ortaya çıkmamaktadır. B. Uygulamada en çok kullanılan birim kök testi Dickey-Fuller birim kök testidir. 335-346. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + ε t j =1 p (2. a. 304. Modele deterministik trend ilave edildiğinde.e.4. s.

Sayı: 54. 57 Schwert G. s. (1992).4.29) sürecinde oluştuğu hakkındaki H0 hipotezini test etmek için Dickey Fuller’ in τ istatistiğinin geliştirilmiş bir biçimini üretmişlerdir 55 . KPSS testi LMc testi ile benzer biçimde belirlenmektedir58 . Phillips-Perron birim kök testi test istatistikleri Genişletiliş DickeyFuller (ADF) test istatistiği için kullanılan kritik tablo değerleri ile karşılaştırılarak sıfır hipotezleri kabul veya reddedilir.. 31. LM testinde boş hipotez. “Tests for Unit Roots: A Monte Carlo Investigation”. Karun Nemlioğlu. Journal of Econometrics. Phillips & Peter Schmidt and Yongcheol Shin. Journal of Business and Economic Statistics. Sayı: 7. KPSS testinin en önemli özelliği 1 veya daha büyük bir MA yapısı içeren serilerde ADF’ nin aksine gücünün azalmamasıdır 57 . 147-159. Beşir Kitabevi. İstanbul. s.4. Boş hipotezdeki durağanlık trend durağanlıktır.g. KPSS Testi KPSS (Kwiatkowski-Phillips-Schmidt-Shin) testinde amaç gözlenen serideki deterministik trendi arındırarak serinin durağan olmasını sağlamaktır 56 . “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?”. s. 269. (1989). 58 Patterson. 2005. Birim Kök Analizinin Temelleri. Fakat burada hata terimleri arasında içsel bağlantının (serial correlation) olmadığı veya homojenlik varsayımı gerekli değildir. 56 55 58 .B. Phillips-Perron denklemlerdeki α ve β katsayılarının testi için test istatistiklerini oluşturmuşlardır. Phillips ve Perron. rassal yürüyüşün sıfır A. Dolayısıyla LM istatistiğinin oluşumu önemlidir. Buna göre serilerin durağan olup olmadıklarına ~ ˆ karar verilir. Bu testte kurulan birim kök hipotezi ADF testinde kurulan hipotezlerden farklıdır. s.Burada T gözlem sayısını ut hata terimlerinin dağılımını göstermekte olup bu hata teriminin beklenen değeri sıfıra eşittir (E(u)=0). Sıfır hipotezi serinin durağan olduğunu ve birim kök içermediğini. Denis Kwiatkowski & Peter C. katsayıların ˆ y t = y t −1 + u t (2. buna karşın alternatif hipotez ise seride birim kök olduğunu ve durağan olmadığını ima eder. 159-178. 2.e. a. Trendden arındırılan seride birim kök olmaması. serinin trend durağanlığını gösterir. Çünkü seriler trendden arındırılmışlardır.

34) Burada w( s. 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. al. σ e2 ) ve ut ~ IID(0. 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. l ) = 1 − s /(l + 1) (2.varyansa sahip olduğunu ve serinin deterministik trend.…. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s. KPSS test istatistiğinin hesaplanabilmesi için.g. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar. Yt = β t + wt + et wt = wt −1 + u t (2. σ u2 ) göstermektedir.33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s.30) (2. et durağan kalıntıları (et ~ IIDN(0.2. t deterministik trend.35) 59 Kwiatkowski and et.m. l ) ∑ et et − s t =1 s =1 t = s +1 (2. 164.T l T (2. s. rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder. l ) . a. 59 .31) Burada wt modelin rassal yürüyüşü.32) Burada S t kalıntıların kümülatif toplamı.

:α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir. “Efficient Tests for an Autoregressive Unit Root” Econometrica. deterministik trend veya kesmenin olması koşulu aranmaktadır 60 . S (1) . T. yt zt G. 60 60 . Seride kesme ve trend gözleniyorsa c = -13.2. Stock. Sayı: 64. Elliott. Nokta Optimal testi.t)’ olarak hesaplanmaktadır ( zt . H. 813-836.36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir. Seride sadece kesmenin olması durumunda c = -7. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde. ~ = y − β 'z yt t t (2. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir. s.5 alınır. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır. Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. Burada S (α ) kalıntı kareleri toplamı. ADF-GLS testi için kurulacak hipotez. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır. (1996). y t = d t + αyt −1 + ε t (2. burada zt =(1. 1’ ler ve deterministik trendden oluşan vektördür).37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir.0 alınmaktadır. 2 PT = [S (α ) − α S (1)] / s AR (2.5. Rothenberg ve J. Burada α =1+ c / T olarak hesaplanmaktadır.4.38) şeklinde hesaplanır. J. ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı.

s.. Ng ve P... T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2.41) olmak üzere. 62 61 61 . ~2 ... ~t ) = ( z1 .4. (1996).g. (1 − α L) y t ) y y y ~ ~ ( ~1 .43) Elliott and et. NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 .~ ve ~ şöyle tanımlanır.. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . büyük oranda hata teriminde örneklem çarpıklığı olmaktadır.. ~2 .. s. Sayı: 63.. al. Perron ve S. 63 S. ~t ) = ( y1 . yt zt ~ ~ ( ~1 .. d MZ α = (T −1 (YTd ) 2 − s 2 ) /( 2κ ) MZ td = MZ α × MSB MSB d = (κ / s 2 )1 / 2 (2. Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır. Ng. (1 − α L) z 2 .. Econometrica. Sayı: 69. (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 .40) Ng-Perron birim kök testi. Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır.. 2. DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır.m. P. PP testinde serilerde negatif hareketli ortalama yapısı olduğunda.42) Hesaplamada. 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. (1 − α L) y 2 . Perron.39) (2.. Ng-Perron Testi (2. 831. 1519-1554.. “Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. (2001). 435-463. The Review of Economic Studies. s... a.6.

46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir.g.44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2. s. 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 . Bu aşamadan sonra test istatistikleri denklem (2. t } 1 ise ise (2.48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir.49) (2. ˆ ˆ β (1) = ∑ β i 1 k (2. Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada. CT (τ T (k ) + k ) T − k max (2.m. 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 = { .45) (2. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur. a. 64 Ng ve Perron. 1529.42) deki formüllere göre bulunabilir.Buradan.

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. İstatistik Göstergeler 1923-2006. 3. imal ve istihraç edilen mallardan yapılan ihracat kapsanmaktadır 2 . 423. 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. 63 .636. Ankara. s.e. 1968. İhracat bilgilerinde ise ülke içinde üretilen. kurum ve kuruluşlara ait kesin bütçe değerleri. 3. Bu çalışmalarda TÜİK’ in cari anketlerinden elde edilen kesin sonuçlar. Eski GSMH serisi yeni kapsama göre revize edilerek 1968 yılına kadar geriye dönük yeni bir seri elde edilmiştir 1 . 2007. 1 2 TÜİK. Türkiye İstatistik Kurumu Matbaası. Ayrıca daha önce yapılan yıllık hesaplamalara dahil edilemeyen bazı maddeler ve ekonomik alt sektörlerde sisteme dahil edilmek suretiyle kapsam genişletilmiştir.g. TÜİK. 1979 ve 1985 input-output tablolarından alınan teknik katsayılar ve 1987 yılının gösterge ve ağırlıkları kullanılmıştır.1. a.2. 1973. Uygulama Serisi 1990 yılında başlatılan çalışmalarla GSMH hesapları üçer aylık dönemler itibariyle hesaplanmaya başlanmış ve 1968 olan temel yıl da 1987 yılına kaydırılmıştır. s.

5 4.9 4 4. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi. 3 Eviews 5.3 3.1 3.8 8.8 İhracatın GSMH içindeki payı (%) 3.4 10 9.3.4 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.8 7.1 20.2 9 8.2 9. USA.1 5.9 19. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.6 7. Tablo 3.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5.2 10. 2005.9 11.7 7.7 2.6 13.9 11.9 12.9 4.9 10.3 4.7 12.5 12.4 13.5 4 5.5 19. ekonometri paket programı Eviews 5.7 2.8 9.6 9. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .6 7.7 12.4 21.3 6.7 3. Quantitative Micro Software.4 4 2.9 4.8 4.9 3. 434-435.3 2 2.7 4 3 3.3 8.1 14.9 8. 64 .7 13.1 8.6 13.3 6.2 10 7.6 3.1 9.7 6.1 11.6 8.9 3.8 21.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8.9 9.6 8.7 2.6 7.7 7.3 6 5 5. 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.8 2.9 21.1 yardımıyla analiz edilmiştir.4 2.3 5. LLC.7 9. s. İstatistik Göstergeler 1923-2006.4 11. Seri.3.2 İhracatın GSMH içindeki payı (%) 5.9 İhracatın GSMH içindeki payı (%) 9.1 User’s Guide.

verilerin belli bir ortalama etrafında dalgalanmadığı ve bu yüzden durağan olmadığı söylenebilir. Şekil 3. Şekil 3.Serileri olası değişen varyans ve kısmen de otokorelasyona karşı koruyabilmek için logaritmik dönüşümleri alınmaktadır. Serinin zaman yolu grafiği incelendiğinde.1’ de yer almaktadır.2 Birinci Farkı Alınan LIHR Serinin Zaman Yolu Grafiği 65 .1’ dedir. 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.

Şekil 3.3 LIHR Serisinin Korelogramı 66 . 3. 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. LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının (AC).2’ de birinci farkı alınan LIHR serisinin zaman yolu grafiği görülmektedir.4. Serinin birinci farkları alınınca belli bir ortalama etrafında dalgalandığı ve durağan hale geldiği söylenebilir. Şekil 3.

Şekil 3. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir.311 > t t =1. dışına taşıyor ise var demektir 4 .165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri.3’ de otokorelasyon katsayıları için güven aralıkları ise. İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir. s.213 olacaktır. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır.96 olduğundan boş hipotez reddedilir. 391.Se ACF (k ) ) = ± (1. istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok.906 = 8. Bu çizgilerin oluşturduğu alan. ± (t t .96*0. t t =1.e. Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa.311 0. 67 .109 0.96 ile karşılaştırıldığında tACF(1) = 8. a. Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir. Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı.109) = ± 0. ± (t t . tACF(1) = şeklinde 0. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır. O halde serinin durağan olmadığını söylemek mümkündür. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir. Se ACF (k ) = 1 84 = 1 = 0.Se ACF (k ) ) ile hesaplanır. Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur. Kısmi otokorelasyon fonksiyonu 4 Tarı.g.109 9.05 anlamlılık düzeyinde kritik tablo hesaplanır. Seri belirli bir ortalama etrafında dalgalanmadığı için.3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir.Şekil 3. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası.

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

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

12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3. 72 . 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.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. 3. Tablo 3. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.5.7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.1.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir.7’ deki gibi olduğu bulunur.2.263) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.Tablo 3. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir.

g. Obs*Rsquare=11. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3. %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında.e. 238.857).857 <4. Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir. Hesaplanan test istatistiği. a.e.735 ve p=0. s. 8 9 Patterson.740 olduğu görülür. serisel korelasyon yoktur.8’ de elde edilen F istatistiği (0.308<2.7’ deki kesme teriminin t istatistiği değeri (1. 0. 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.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır. 8 β 0 kesme teriminin anlamlığına bakıldığında.46 olduğundan H 0 reddedilemez. a. s. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder. Tablo 3.86 olduğu görülür. 1. Patterson.308).8 LIHR Serisi İçin Φ1 Testi Tablo 3. 231.g. 73 . %5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında.

H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. LIHR Serisi İçin τˆ Sınaması Tablo 3.Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 .5.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür.10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8.3. 3.129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.1.10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.

87). Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8. %1. H 1 alternatif hipotez ise. 3.2. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. seride birim kökün varlığını ve serinin durağan olmadığını.12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. Burada H 0 boş hipotezi.Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. 75 .172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. mutlak değerce küçük olduğu görülmektedir. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir.5.

birim kök vardır.Tablo 3. %1.5. seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. Tablo 3.15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. H 0 : Seri durağandır. mutlak değerce küçük olduğu görülmektedir. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. 76 . Çünkü PP test istatistiği (-8. 3.55).15. Burada H 0 boş hipotezi. seride birim kökün olmadığını ve serinin durağan olduğunu.127). birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. Buradan serinin bir birim kök içerdiği sonucuna varılır. H 1 alternatif hipotez ise. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir. %1.14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1. birim kök yoktur H 1 : Seri durağan değildir.

Seri birim kök içermektedir ve durağan değildir. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir.Tablo 3. 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 3.03). seride birim kökün varlığını ve serinin durağan olmadığını.16’ ya göre. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 .16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3. test istatistiği (0.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır.17’ ye göre.27). 3. Burada H 0 boş hipotezi. test istatistiği (0. H 1 alternatif hipotez ise. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir.5.

5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir.53). birim kök vardır. Tablo 1) Tablo 3.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1. seride birim kökün varlığını ve serinin durağan olmadığını.Tablo 3. Tablo 3. %1. 3.19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir.5. birim kök yoktur 78 . H 1 : Seri durağandır. H 1 alternatif hipotez ise. Burada H 0 boş hipotezi. H 0 : Seri durağan değildir. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. mutlak değerce küçük olduğu görülmektedir.19.18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.Stock (1996.

otokorelasyon değerlerinin giderek azalan bir yapıda olduğunu göstermektedir. LIHR serisinin Şekil 3.21 Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi * Ng-Perron (2001. kritik değerlerden mutlak değerce küçük olduğu için LIHR serisinin birim kökünün olduğu ve durağan olmadığı sonucuna varılır.6. Korelogramdaki ACF grafiği. Her iki sütun içinde test istatistikleri. Aşama: Belirlenme Logaritmik ihracatın GSMH içindeki payı (LIHR) serisinin düzey değerleri ile durağan olmayıp. 3. LIHR Serisi İçin Box Jenkins (BJ) Yöntemi 1.20 LIHR Serinin Düzey Değerleri İçin Ng-Perron Testi * Ng-Perron (2001.3’ deki korelogramına bakılır. Tablo 3. kritik değerlerden mutlak değerce büyük olduğu için birinci farkı alınan LIHR serisinin birim kökünün olmadığı ve durağan olduğu sonucuna varılır. Burada test istatistikleri. Tablo 1) Tablo 3. Durağan I(1) LIHR serisinin AR ve MA durumunu araştırmak için. birinci farkları ile durağan olduğu yapılan korelogram ve birim kök testlerinden anlaşılmıştır.20’ deki Ng-Perron test istatistiklerini MZa ve MZt sütunlarındaki kritik değerlerle karşılaştırmak birim kök testi için yeterlidir. Tablo 1) Tablo 3. Bu durum modelde MA’ nın derecesinin sıfır olduğunu göstermiştir yani seri hareketli 79 .Perron testi sonuçları verilmektedir.Tablo 3. Bu da seride bir birim kök olduğunu gösterir.21’ de birinci farkı alınan LIHR serisi için Ng.

1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. Böylece serinin ARIMA(1. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir.5’ de görülmektedir. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur.073 bulunmuş olup.ortalamaya sahip değildir. Yani AR(1) durumu söz konusudur. 80 . bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir. 2.0) yapısına sahip olduğuna karar verilmiştir. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu.102Δlihrt −1 + et olur.132 ve -0. Tahmin edilen model.1. Aşama: Uygunluk Testi (3.007 + 0. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır. Δlihrt = 0. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır. İlgili korelogram Şekil 3. Bunun için hata terimlerinin korelogramı incelenir. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir.1)’ deki modelin uygunluğuna karar verilir. 3. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3.

1. otokorelasyon ve kısmi otokorelasyon çubuklarının hepsinin %95 aralığı içinde kaldığı görülecektir. Dolayısıyla bu model uygundur ve öngörü için kullanılabilir.5 ARIMA(1.Şekil 3.0) Modeli Hata Terimlerinin Korelogramı Korelogram incelendiğinde. 81 .

1990 2000 Şekil 3.1055 0.E. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı.6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır.6 Modelin Öngörü Performansı Şekil 3.000000 0.6 .171334 109.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S.4 . 2007 yılı için öngörü yapılabilir.0 -.578 çıkarken p değeri 0.0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler. 4.Tablo 3. .22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11. 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. Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 .4 -.48 olmuştur. Bu model öngörü için kullanılabilir. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3.22 ARIMA(1.1.896970 0.813714 0. Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak.48>0.2 -. 0.186286 .221000 0.05 olduğu için).

7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir. 2.011 olmuştur.1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0.06 . Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir.04 -. 3.olduğuna işaret eder 10 .4 .4 -.e.04 .6 . 10 Pindyck ve Rubinfeld.2 -. Eviews 5.g. 211.02 . 83 .02 -.8 .06 30 40 50 60 70 80 90 00 10 . Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür. DLIHRF .011=3.074 değerinin logaritmik dönüşümü yapıldığında.00 -.08 .0 -. 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.063+0.2 . Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3. öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3.074 (LIHRF) olarak bulunur.62’ dir. a. s.

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

elde edilen stokastik sürecin zamana bağlı olarak değişip değişmediğinin bilinmesi 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. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri uygulanmıştır. veriler bir dönüşüm yardımıyla durağan hale getirilmeye çalışılır. orijinal veri üretme süreçlerinin durağan olması şartını gerektirir.1 paket programı yardımıyla durağanlık analizi için korelogram testi ve en çok kullanılan birim kök testleri olan Genişletilmiş Dickey-Fuller (ADF). Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulmuştur. 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. Çünkü birçok istatistiksel model. Gerek tek bir seriye ilişkin öngörülerde. En yaygın dönüşüm çalışmada bahsedildiği gibi fark alma işlemidir. durağanlıktır. 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. Eviews 5. Bir zaman serisini durağan hale getirmek için fark alma işleminin kullanılması Box-Jenkins tarafından yaygın hale getirilmiştir. Bunun için ilk adım olarak durağan olmayan bir zaman serisini durağan hale dönüştürecek dönüşümler hakkında bilgi sahibi olunması gereklidir. PhillipsPerron (PP).hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılmaktadır. Zaman serisi analizinde bakılması gereken temel istatistiksel özellik. Bu durum I(1) anlamına gelmektedir. gerekse değişkenler arasındaki ilişkilerin tanımlanmasında serilerin durağan olmaları şartı aranmaktadır. Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Zaman serisi analizinde süreç durağan değilse. serinin geçmiş ve gelecek yapısını basit bir cebirsel modelle ifade etmek mümkün olmaz. Eğer stokastik sürecin niteliği zaman boyunca değişiyorsa yani seri durağan değilse. Zaman serisi modellemesinde kullanılan ve uygun bir öngörü yöntemi olan BoxJenkins (BJ) yaklaşımı ile ülkemizdeki ihracatın GSMH içindeki payı serisi 85 . Bir zaman serisi modeli geliştirildiğinde.

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

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

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

s.“Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties” The Review of Economic Studies. 335-346.. s. RUBINFELD. P.. 1996. s. D. No. Irwin/ McGraw-Hill International Edit. Beşir Kitabevi.B. 2. Yongcheol. ve KIM. 1998.. Karun. A. USA.. Cambridge University Press. NEMLİOĞLU. Great Britain. Econometrica. 1998. NG. Denis & PHILLIPS. s. Sayı: 54. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. (1992). (1996). Uygulamalı İstatistik 2. S. İstanbul. G. Özer. Newyork. 2000. “Tests for Unit Roots: A Monte Carlo Investigation”. Birim Kök Analizinin Temelleri. G. Journal of Business and Economic Statistics. P. Filiz Kitabevi. R. Introduction to Econometrics. & SCHMIDT Peter ve SHIN. 2005. ve NG. PINDYCK. PERRON.KWIATKOWSKI. 1992. (2001). S. Sayı: 7. B. 147-159. Journal of Econometrics. İstanbul. Kerry. G. PHILLIPS. 69.1519-1554. Academic Press. Singapore.. 89 . 159-178. S. S. I. G. Peter C. SCHWERT. S. SERPER. Sayı: 75. “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?”... Biometrika. s. Sayı: 63. PATTERSON. POLLOCK. 1999. (1988). Peter C. Cambridge.. Econometric Models and Economic Forecasts. MADDALA. PERRON. S. A Handbook of Time Series Analysis Signal Processing and Dynamics. Newyork. MADDALA. ve PERRON.L. Unit Root Cointegration and Structural Change. Pierre. (1989). Macmillan Publishing Company. 435-463. “Testing for a Unit Root in Time Series Regression”. M. An Introduction to Applied Econometrics : A Time Series Approach. ve D.

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

new (yeni)-workfile (çalışma dosyası) seçeneği işaretlenir. 91 . İlgili program komutları ve uygulamaları aşağıdaki şekilde özetlenmiştir. File (dosya) menüsünden. Ekran 1.EK.1 yardımıyla yapılmıştır.1 Program Açılım Penceresi Bir çalışma dosyası oluşturmak için.Eviews El Kitabı Bu çalışmada zaman serisi analizlerine ilişkin sayısal çözümlemeler ekonometri paket programlarından Eviews 5.

3 Dosya Açma Penceresi 92 . Ekran 1.Ekran 1. başlangıç ve bitiş tarihleri girilir.2 Program Komutu Penceresi Çalışma dosyası oluştur (workfile create) penceresinden verilerin sıklığı.

Ekran 1.Ekran 1.5 Veri Girme Penceresi Veri girişi hücrelere yapılır.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. 93 .

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. Ekran 1.6 Grafik Çizme Penceresi View (görünüm) menüsünün altında Graph (grafik) ile serinin grafiği çizilir.

Ekran 1. 95 .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.

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

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

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

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