T.C.

KAFKAS NVERSTES SOSYAL BLMLER ENSTTS

LETME ANABLM DALI

ZAMAN SERLERNDE DURAANLIK ANALZ VE HRACATIN GSMH NDEK PAYI ZERNE BR UYGULAMA

YKSEK LSANS TEZ

Muzaffer AKINCI

TEZ YNETCS Yrd. Do. Dr. Cavit YELYURT

KARS2008

T.C. KAFKAS NVERSTES SOSYAL BLMLER ENSTTS MDRLNE

Muzaffer AKINCI ya ait Zaman Serilerinde Duraanlk Analizi ve hracatn GSMH indeki Pay zerine Bir Uygulama konulu bu alma; yaplan tez savunma snav sonunda jri tarafndan Lisansst Eitim ve retim Ynetmelii uyarnca deerlendirilerek, letme Anabilim Dalnda Yksek Lisans tezi olarak oy ile kabul edilmitir.

/ / 2008 retim yesinin nvan, Ad ve Soyad Yrd. Do. Dr. Cavit YELYURT Yrd. Do. Dr. Hseyin Ali KUTLU Yrd. Do. Dr. Adem ZMC mza .. .. ..

Bu tezin kabul Sosyal Bilimler Enstits Ynetim Kurulunun / / 200 tarih ve . / . / sayl karar ile onaylanmtr. UYGUNDUR / /

Sosyal Bilimler Enstits Mdr

NDEKLER Sayfa No: ZET ............................................................................................................................ I ABSTRACT.................................................................................................................II NSZ ...................................................................................................................... III KISALTMALAR ....................................................................................................... IV TABLO LSTES ....................................................................................................... VI EKL LSTES ...................................................................................................... VIII SMGE LSTES........................................................................................................ IX GR ........................................................................................................................ 1-3 BRNC BLM ZAMAN SERLER 1. Zaman Serileri.......................................................................................................... 4 1.1. Verilerin Temel zellikleri ............................................................................... 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 Grafii ......................................................................................... 6 1.6. Zaman Serisi Bileenleri ................................................................................... 7 1.6.1. Uzun Dnem Eilimi (Trend) ..................................................................... 8 1.6.2. Mevsimlik (Seasonal) Dalgalanmalar ......................................................... 8 1.6.3. Konjonktrel (Cyclical) Dalgalanmalar...................................................... 8 1.6.4. Dzensiz (Irregular) Hareketler .................................................................. 9 1.7. Veri retme Sreci (Data Generation Process-DGP)....................................... 9 1.8. Stokastik Sreler ............................................................................................. 9 1.9. Fark Denklemleri ............................................................................................ 11 1.9.1. Fark Denklemleri ve zmleri................................................................ 11 1.9.2. Zaman Serilerinin Geciktirilmesi ve lerletilmesi..................................... 13 1.9.3. Gecikme lemcisi..................................................................................... 14 1.9.4. Gecikme Polinomu.................................................................................... 15 1.10. Korelasyon lleri ...................................................................................... 15 1.10.1. Kovaryans ve Korelasyon ....................................................................... 16

1.10.1.1. Korelasyonun statistiksel Anlamll............................................ 19 1.10.2. Otokovaryans ve Otokorelasyon ............................................................. 20 1.10.3. rneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) ........................................................................................ 22 1.10.3.1. rneklem Otokorelasyon Katsaysnn statistiksel Anlamll..... 23 1.10.4. Ksmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF).................................................................................... 23 1.11. Tek Deikenli Zaman Serisi Modelleri ....................................................... 24 1.11.1. Otoregresif Sre (Autoregressive Process-AR) .................................... 24 1.11.1.1. AR(1) Srecinin zellikleri ............................................................ 25 1.11.1.2. AR(2) Srecinin zellikleri ............................................................ 28 1.11.1.3. AR(p) Srecinin zellikleri ............................................................ 30 1.11.1.4. Otoregresif Srecin Derecesinin Belirlenmesi................................ 31 1.11.2. Hareketli Ortalama Sreci (Moving Average Process-MA)................... 31 1.11.2.1. MA(1) Srecinin zellikleri ........................................................... 32 1.11.2.2. MA(2) Srecinin zellikleri ........................................................... 33 1.11.2.3. MA(q) Srecinin zellikleri ........................................................... 34 1.11.3. Karma Otoregresif Hareketli Ortalama Sreci (Autoregressive Moving Average Process-ARMA)........................................................ 36 1.11.3.1. ARMA(1,1) Srecinin zellikleri................................................... 37 1.11.3.2. ARMA(p,q) Srecinin zellikleri................................................... 39 1.11.4. Homojen Duraan Olmayan Sre (Autoregressive Integrated Moving Average Process-ARIMA) ...................................................... 39 1.12. Box Jenkins (BJ) Yntemi ............................................................................ 40 KNC BLM ZAMAN SERLERNDE DURAANLIK ANALZ 2. Zaman Serilerinde Duraanlk Analizi .................................................................. 42 2.1. Sahte (Spurious) Regresyon............................................................................ 44 2.2. Duraanlk Analizi: Korelogram Testi............................................................ 44 2.2.1. Q statistikleri: Portmanteau Testleri ........................................................ 45 2.3. Trend Duraanlk ve Fark Duraanlk ............................................................ 47 2.4. Duraanlk Analizi: Birim Kk Testi ............................................................. 48 2.4.1. Dickey-Fuller (DF) Testi........................................................................... 48 2.4.1.1 Snamas......................................................................................... 51 2.4.1.2. 1 ve Snamas Test statistikleri ................................................ 51 2.4.1.3. 3 ve Snamas Test statistikleri................................................ 53 2.4.1.4. DF Testleri le Birleik Hipotez Testi............................................... 55 2.4.2. Geniletilmi Dickey-Fuller (ADF) Testi ................................................. 55

2.4.3. Phillips-Perron (PP) Testi ......................................................................... 57 2.4.4. KPSS Testi ................................................................................................ 58 2.4.5. ADF-GLS (Nokta Optimal) Testi ............................................................. 60 2.4.6. Ng-Perron Testi......................................................................................... 61

NC BLM HRACATIN GAYR SAF MLL HASILA (GSMH) NDEK PAYI ZERNE UYGULAMA 3. hracatn Gayri Safi Milli Hasla (GSMH) indeki Pay zerine Uygulama ....... 63 3.1. Uygulama Serisi .............................................................................................. 63 3.2. Uygulamann Amac ....................................................................................... 63 3.3. Uygulamada Kullanlan Yntem..................................................................... 64 3.4. LIHR Serisi in Duraanlk Analizi: Korelogram Testi................................ 66 3.5. LIHR Serisi in Duraanlk Analizi: Birim Kk Testi .................................. 69 3.5.1. LIHR Serisi in ADF Testi ...................................................................... 69 3.5.1.1. LIHR Serisi in 3 ve Snamas Test statistikleri..................... 69 3.5.1.2. LIHR Serisi in 1 ve Snamas Test statistikleri..................... 72

3.5.1.3. LIHR Serisi in Snamas ............................................................ 74 3.5.2. LIHR Serisi in Phillips-Perron (PP) Testi.............................................. 75 3.5.3. LIHR Serisi in KPSS Testi .................................................................... 76 3.5.4. LIHR Serisi in ADF-GLS (Nokta Optimal) Testi.................................. 77 3.5.5. LIHR Serisi in Ng-Perron Testi ............................................................. 78 3.6.LIHR Serisi in Box Jenkins (BJ) Yntemi ................................................... 79
SONU ...................................................................................................................... 84 KAYNAKLAR .......................................................................................................... 87 EKLER....................................................................................................................... 91 ZGEM ............................................................................................................. 101

ZET Zaman serileri analizinde son yllarda grlen hzl gelimeler dinamik ekonometrik teorinin gelimesine nemli katklar salamtr. zellikle finansal zaman serilerinin analizlerine duyulan youn talep dinamik ekonometri balamnda Finansal Ekonometri ve Zaman Serisi Ekonometrisi disiplinlerinin ortaya kmasna neden olmutur. Bir zaman serisi, ilgilenilen bir bykln zaman ierisinde sralanm lmlerinin bir kmesidir. Zaman serisi ile ilgili analiz yaplma amac ise, gzlem kmesince temsil edilen gerein anlalmas ve zaman serisindeki deikenlerin gelecekteki deerlerinin doru bir ekilde ngrlmesidir. Bu anlamda veri oluum srecini belirleme ve dolaysyla modellemede kullanlan uygun bir ngr yntemi olan Box-Jenkins yntemi kullanlmtr. statistiki sonu karmlar asndan, serinin duraanl nemlidir. Bu yzden serilerin nce birim kk ierip iermediinin snanmas gerekir. Eer seri duraan deil ise, yani birim kkl ise nce duraanlatrlmaldr. Bunun iin en pratik yol da fark alma tekniidir. almada teorik bilgilere yer verilmesinin yannda bunlarn daha kolay anlalmas iin ekillerle desteklenmitir. Ayrca teorik olarak anlatlan konular gerek bir seri zerinde uygulanarak aklanmtr. ANAHTAR KELMELER: Zaman serileri, ngr, Box-Jenkins yntemi, duraanlk, birim kk, fark alma.

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

II

NSZ Eskiden beri gzlenemeyen unsurlarn ortaya konulmasnda rakamlar etkin bir yntem olarak kullanlmtr. nsanolu deiik dzenlemeler, kurallar ve yasalar ortaya koyarken temel k noktas olarak gzlenmi olaylar esas almtr. Bir olguya ilikin deiken ya da deikenlerin zaman iinde yaplan lmleri ya da gzlemleri zaman serisini oluturur. Dzenli bir zaman ierisinde gzlenen ardk verilere zaman serisi denir. Gnmzde istatistik ve matematikteki gelimelere bilgisayar programlarnn ilavesiyle birlikte zaman serileri analizlerinde nemli mesafe kat edilmitir. Bu konuda farkl disiplinlerde alan bilim adamlarnn katklar olduka fazladr. Bilgisayar teknolojisindeki gelimeler ile birlikte yazlmdaki gelimelere bal olarak istatistiksel ve ekonometrik tekniklerde de azmsanmayacak gelimeler olmutur. Bu teknikler yardmyla zaman serilerinin duraan olup olmadnn anlalmas nemli lde kolaylamtr. Zaman serilerinde duraanlk ok nemli bir kavramdr. Duraan olmayan zaman serileri zerinde almak aratrmacy yanl yollara ynlendirebilir. Bunun iin bu veriler zerinde alrken serinin duraanlatrlmas gerekmektedir. Zaman serileri analizi, gemi dnemlere ilikin gzlem deerleri yardmyla gemii aklayarak gelecee dnk tahminler yapmay amalar. Elde edilecek tahminler gerek lke ekonomisi gerekse iletme temelinde yaplacak gelecee dnk planlama ilerini kolaylatrr. Bu almada zaman serileri hakknda genel bilgiler verildikten sonra konuyla ilgili teorik bilgilere yer verilmitir. Zaman serisi modelleme teknikleri metodolojisi anlatlm, modellemede nemli bir yere sahip olan duraanlk kavram zerinde durulmu ve duraanlkla ilgili testlere yer verilmitir. almann sonunda gerek veriler kullanlarak, Eviews 5.1 paket program yardmyla bir uygulama yaplmtr. Tez danmanlm yapan deerli hocam Yrd. Do. Dr. Cavit YELYURTa, hibir zaman yardm ve desteini esirgemeyen zgr POLAT a ve bana rahat ve huzurlu bir alma ortam salayan aileme teekkr bir bor bilirim. KARS, 2008 Muzaffer AKINCI

III

KISALTMALAR ACF ADF AIC AR ARIMA ARMA BJ Cor Cov DF DGP DLIHR DLIHRF : : : : : : : : : : : : : Otokorelasyon Fonksiyonu Geniletilmi Dickey-Fuller Birim Kk Testi Akaike Bilgi Kriteri Otoregresif Sre Otoregresif Entegre Hareketli Ortalama Sreci Otoregresif Hareketli Ortalama Sreci Box- Jenkins Yntemi Korelasyon Kovaryans Dickey-Fuller Birim Kk Testi Veri retme Sreci Fark Alnm Logaritmik hracatn GSMH indeki Pay Serisi Fark Alnm Logaritmik hracatn GSMH indeki Pay ngr Serisi DW EKK GLS GSMH LB : : : : : Durbin Watson statistii En Kk Kareler Yntemi Genelletirilmi En Kk Kareler Yntemi Gayri Safi Milli Hasla Ljung-Box Q statistii IV

LIHR LIHRF MA MIC OEKK PACF PP SIC SSRr SSRu Var

: : : : : : : : : : :

Logaritmik hracatn GSMH indeki Pay Serisi Logaritmik hracatn GSMH indeki Pay ngr Serisi Hareketli Ortalama Sreci Modifiye Edilmi Bilgi Kriteri Olaan En Kk Kareler Yntemi Ksmi Otokorelasyon Fonksiyonu Phillips-Perron Birim Kk Testi Schwarz Bilgi Kriteri Kstl Denklemin Kalnt Kareler Toplam Kstsz Denklemin Kalnt Kareler Toplam Varyans

TABLO LSTES Sayfa No: Tablo 1.1 : n. Farkn Alnmasnda Fark Denklemi Alm .................................... 13 Tablo 1.2 : Bir Deikenin Geciktirilmesi .............................................................. 13 Tablo 1.3 : Bir Deikenin lerletilmesi.................................................................. 14 Tablo 1.4 : ACF ve PACF nin Teorik Davranlar ............................................... 41 Tablo 3.1 : hracatn GSMH indeki Pay (%) ...................................................... 64 Tablo 3.2 : Trendli Model Sonular....................................................................... 69 Tablo 3.3 : Trendli Model Kalntlarnn Serisel Korelasyon Testi ........................ 70 Tablo 3.4 : LIHR Serisi in 3 Testi .................................................................... 70 Tablo 3.5 : LIHR Serisinin Dzey Deerleri in Testi .................................... 71 Tablo 3.6 : Birinci Fark Alnan LIHR Serisi in Testi ................................... 72 Tablo 3.7 : Trendsiz Model Sonular..................................................................... 72 Tablo 3.8 : LIHR Serisi in 1 Testi .................................................................... 73 Tablo 3.9 : LIHR Serisinin Dzey Deerleri in Testi .................................... 74 Tablo 3.10 : Birinci Fark Alnan LIHR Serisi in Testi.................................... 74

Tablo 3.11 : LIHR Serisinin Dzey Deerleri in Testi...................................... 74 Tablo 3.12 : Birinci Fark Alnan LIHR Serisi in Testi ..................................... 75
Tablo 3.13 : Trend Deikenli PP Birim Kk Test Sonular................................... 75 Tablo 3.14 : Trendsiz PP Birim Kk Test Sonular ............................................... .76 Tablo 3.15 : Birinci Fark Alnan LIHR Serisi in PP Testi.................................... 76 Tablo 3.16 : LIHR Serisinin Dzey Deerleri in KPSS Testi ............................... 77 Tablo 3.17 : Birinci Fark Alnan LIHR Serisi in KPSS Testi............................... 77 Tablo 3.18 : LIHR Serisinin Dzey Deerleri in ADF-GLS Testi ........................ 78 Tablo 3.19 : Birinci Fark Alnan LIHR Serisi in ADF-GLS Testi ....................... 78 VI

Tablo 3.20 : LIHR Serisinin Dzey Deerleri in Ng-Perron Testi ........................ 79 Tablo 3.21 : Birinci Fark Alnan LIHR Serisi in Ng-Perron Testi ....................... 79 Tablo 3.22 : ARIMA(1,1,0) Model Kalntlarnn Serisel Korelasyon Testi ............ 82

VII

EKL LSTES Sayfa No: ekil 1.1 : Zaman Serisi Grafii .............................................................................. 6 ekil 1.2 : Zaman Serisi Bileenleri ........................................................................ 7 ekil 1.3 : Pozitif ve Negatif Kovaryanslar ........................................................... 17 ekil 2.1 : Duraan Bir Zaman Serisi Grafii ....................................................... 43 ekil 2.2 : Duraan Olmayan Bir Zaman Serisi Grafii........................................ 44 ekil 2.3 : Duraan Olmayan Bir Seri Korelogram.............................................. 46 ekil 2.4 : Duraan Bir Seri Korelogram ............................................................. 46 ekil 2.5 : Trend Duraan ve Fark Duraan Seriler .............................................. 48 ekil 3.1 : LIHR Serisinin Zaman Yolu Grafii.................................................... 65 ekil 3.2 : Birinci Fark Alnan LIHR Serisinin Zaman Yolu Grafii .................. 65 ekil 3.3 : LIHR Serisinin Korelogram ................................................................ 66 ekil 3.4 : Birinci Fark Alnan LIHR Serisinin Korelogram .............................. 68 ekil 3.5 : ARIMA(1,1,0) Modeli Hata Terimlerinin Korelogram ...................... 81 ekil 3.6 : Modelin ngr Performans............................................................... 82 ekil 3.7 : ngr Serisi (DLIHRF) le Gerek Seri (DLIHR) Grafii................ 83

VIII

SMGE LSTES L LM Yt t T E(Yt) F(Yt) f(Yt) et IID Tt Mt Kt Dt

: : : : : : : : : : : : : : : :

Gecikme lemcisi Lagrange arpanlar Rassal Deiken Zaman Zaman Serisinin Son Deeri Yt Zaman Serisinin Beklenen Deeri Dalm Fonksiyonu Younluk Fonksiyonu Hata Terimi (Kalnt Terimi) Bamsz ve Ayn Dalml Trend Etkisi Mevsimsellik Etkisi Konjonktrel Etkiler Dzensiz Hareketler Serinin Fark Toplam Alma lemcisi Yt Zaman Serisinin Birinci Derece Fark Ortalama Varyans Duraanlk Varsaym Altnda Varyans Duraanlk Varsaym Altnda k. Gecikme in Kovaryans rnek Ortalamas Varyansn Tahmin Deeri Otokorelasyon Fonksiyonu

Yt

:
: : : : : : :

0 k
y
2

IX

rXY

: : : : : : : : : : : : : : : : : : : : : : : : : : :

rneklem Korelasyon Katsays X Deikeninin Standart Sapmas X Deikeninin rneklem Standart Sapmas Y Deikeninin Standart Sapmas Y Deikeninin rneklem Standart Sapmas Otokovaryans Fonksiyonu Yokluk Hipotezi Alternatif Hipotez Otokorelasyon Fonksiyonu Tahmin Deeri X ve Y Deikenleri Arasndaki Korelasyon Test statistii Tablo Deeri Standart Hata Ksmi Otokorelasyon Fonksiyonu AR Srecinin Parametresi Kesme Terimi MA Srecinin Parametresi AR Srecinin Derecesi MA Srecinin Derecesi Entegrasyon lemi Gzlem Says Serbestlik Derecesi Ki-Kare Dalm Deterministik Trend Kalntlarn Kmlatif Toplam Tutarl Uzun Dnem Varyans Tahmincisi KPSS Test statistii

X
SX

Y
SY

t1,t 2

H0
H1
k

( X ,Y )
tr
tt Se kk

p q d n k

2
t
St

s 2 (l )

zt
S ( )

: : : : : : :

1 ler ve Deterministik Trendden Oluan Vektr Kalnt Kareler Toplam ADF-GLS (Nokta Optimal) Test statistii Tau statistii Stokastik Hata Terimi Determinasyon Katsays t Tablo Deeri

PT

ut t R2 tt

XI

GR Gzlem sonularn zaman ve mekan vasflarna gre sral bir ekilde gsteren say dizileri olarak tanmlanan seriler, toplanan verilerin snflandrlmasyla oluur. Bir zaman serisi ise, bir deikene ilikin zamana gre sralanm gzlem deerleridir. Zaman serisi analizi, kestirimde bulunulacak deikenin gemi zaman serisini kullanarak gelecek deerlerin kestirimi iin model gelitirmede kullanlr. Model gelitirme, ilgili deikene ait zaman serisinin analiz edilmesi, serinin ana eiliminin ve zelliklerinin belirlenmesine dayanr. Serinin ana eilimini ve zelliklerini yanstaca dnlen bir model seilir ve var olduu seri deerleri kullanlarak modelin parametreleri yaklak olarak bulunur. Serinin gelecekte de ayn zellikleri koruyaca ve ayn eilimi gsterecei varsaylarak, belirlenen model yardm ile gelecek dnem deerleri kestirilmeye allr. Zaman serileri analizi, belirli zaman aralklarnda gzlenen bir olay hakknda gelecee ynelik tahmin kurmada kullanlan bir yntemdir. Bu konuda birok alanda farkl almalar yaplmtr. Teorik olarak istatistik ve ekonometri bilimlerinde yaplan almalar fazla olmakla birlikte uygulama alan ok genitir. zellikle ekonomik byklklerin analizinde, nfus tahminlerinde ve dier bilim dallarndaki kullanmyla her gn biraz daha nem kazanmaktadr. Tp, mhendislik, iletme ve ekonomi gibi daha birok alanda bu konuda yaplm almalar bulunmaktadr. Geleneksel ekonometrik modeller yapsal analiz, politika yapm ve ngr iin kullanlabilirken; zaman serisi modelleri daha ok ngr iin kullanlmaktadr. Zaman serisi analizlerini klasik ilemlerle yapmak gtr. Ancak bilgisayar ortamnda yaplabilecek ilerdir. Dolaysyla zaman serisi analizlerinin, bilgisayar teknolojisi ile paket programlarn olduka gelimi olduu gnmzde ortaya km olmas anlamldr.

Zaman serileri analizlerini; tek bir serinin yapsn belirlemeyi amalayan tek deikenli zaman serileri analizleri ve iki veya daha fazla sayda seri arasndaki ilikileri tespit etmeyi amalayan ok deikenli zaman serileri analizleri olarak iki gruba ayrmak mmkndr. Tek deikenli zaman serileri analizi, serinin yapsn ortaya koymay amalayabilecei gibi serinin gelecek ya da gzlemlenmemi gemi deerlerinin saptanmasn da hedefleyebilir. Bu da zellikle yapacaklar politika deiikliklerinin ne gibi sonular verebileceini nceden grmek isteyen politika belirleyici otoriteler iin ok nemlidir. Deikenlerin zaman iinde belli bir deere doru yaklamas olarak tanmlanan duraanlk, zaman serileri kullanlarak yaplan aratrmalarda serilerde bulunmas istenen bir zelliktir. Duraanlk zaman serisi ngr modellerinde, bir okun etkilerinin kalc olmas nedeniyle bal bana aranan bir zellik iken yapsal ekonometrik modellerde de sahte regresyon tuzana dmemek iin gereklidir. Duraan olmayan deikenler bir veya daha fazla sayda fark alnarak duraan hale gelirler ve duraan olmak iin alndklar fark kadar btnleik olduklar sylenir. Serilerin btnleme dereceleri birim kk (veya duraanlk) snamalar olarak adlandrlan snamalar yardmyla belirlenir. Bilgisayar teknolojisindeki gelimeler ile birlikte yazlmdaki gelimelere bal olarak istatistiksel ve ekonometrik tekniklerde de nemli gelimeler olmutur. Bu teknikler yardmyla zaman serilerinin duraan dlnn zm nemli lde kolaylamtr. Bu almann birinci blmnde genel olarak zaman serisinin tanm ve zellikleri anlatlacak ve zaman serilerini genel anlamda tanmaya yardmc olacak matematiksel gsterimi ve bileenleri ifade edilecektir. Bu blmde zaman serileri analizi iin olduka nemli olan veri retme sreci ve stokastik sre zerinde durulacak, zaman serisi modellerinde fark denklemleri ve gecikme ilemcisi ile gecikme polinomunun nemi vurgulanacak, korelasyon lleri tantlacaktr. Tek deikenli zaman serisi modelleri ile snrlandrlan dorusal zaman serisi modelleri otoregresif sre, hareketli ortalama sreci ve karma otoregresif hareketli ortalama sre ile homojen duraan olmayan sre modelleri anlatlacaktr. Ayrca otoregresif entegre (btnlemi) hareketli ortalama sreleri iin Box Jenkins model kurma sreci zerinde durulacaktr.

kinci blmde zaman serilerinin belirli sayda gecikme iin hesaplanan otokorelasyonlarn grafiksel analizi ve serilerin kabaca duraan olup olmadklar hakknda bilgi sahibi olunmasna yardmc olan korelogram testi ile formel birim kk testleri tantlacaktr. nc blmde ise Eviews 5.1 paket program kullanlarak, hracatn Gayri Safi Milli Hasla (GSMH) iindeki pay (%) serisi zerinde uygulama yaplacaktr.

BRNC BLM ZAMAN SERLER

Bir zaman serisi bir veya daha fazla zaman deikenini kapsayan bir veri kmesidir. Zaman serisinde ilgilenilen zellik bir deikendir. Bu deiken zaman ierisinde eitli nedenlere bal olarak farkl deerler alr. Dolaysyla zaman serisi, zaman srasna konmu veri kmesi olarak ifade edilebilir. Gelecekteki deikenleri tahmin eden modeller gelitirdii iin zaman serisi analizi nemlidir 1 . 1.1. Verilerin Temel zellikleri Ekonometrik aratrmalarn aamalarndan birisi ekonomik modeli oluturan deikenlerin saylarla ifade edilebilir hale getirilmesidir. Bu nedenle incelenen iktisadi ilikide yer alan deikenlerle ilgili verilerin derlenmesi modelin kuruluu aamasnda nem kazanmaktadr. Veri salanamayan konularda amprik almalarn yaplmas zordur. alma alanna ait bilgilerin saysal ifadeleri verileri meydana getirir. Veri toplama yntemlerinden birisi nceden toplanm bilgileri kullanmaktr. rnein istatistik yllklarndan ihracat, dviz kuru, milli gelir gibi ekonomik gstergelere ait verilerin kullanlmas. Dier bir yntem ise gzlem yaparak lme ilemidir 2 . rnein deiik dnemlerde iletmenin sat analizlerinin yaplabilmesi iin sat rakamlarnn gzlenmesi. 1.2. Nicel ve Nitel Veriler Srekli saylarla ifade edilen gzlemlerin oluturduu veriler nicel verilerdir. Enflasyon oran, faiz haddi, milli gelir gibi veriler nicel verilere birer rnektir. Zaman

Chris Chatfield, The Analysis of Time Series: An Introduction, Newyork: Chapman and Hall, 1995, s. 4-5. 2 Mustafa Sevktekin ve Mehmet Nargeleekenler, Zaman Serileri Analizi, Ankara, Nobel Yayn Datm, 2005, s. 1.

zaman snrl deerler alan veriler ise nitel verilerdir 3 . Tketim harcamalar ile ilgili yaplan bir aratrmada tketicinin cinsiyeti, otomobil sahibi olup olmad gibi deikenler nitel deikenlere rnek gsterilebilir. 1.3. Yatay Kesit, Zaman Serisi ve Panel Verileri Tek bir zaman noktasnda ok sayda lkeyi, iletmeyi, bireyi inceleyerek derlenen veriler yatay kesit verileridir. ok sayda lkenin 2006 ylndaki enflasyon oranlar yatay kesit verilerine rnektir. Bir veya daha fazla deikeni zaman iinde inceleyerek derlenen veriler zaman serisi verileridir 4 . Trkiye de 1980-2006 yllar arasndaki enflasyon oranlar zaman serisi rneidir. Yatay kesit verilerinin zaman serisi gzlemlerine sahip olduu durumda derlenen veriler ise panel verileridir. ok sayda lkenin yllar itibariyle enflasyon oranlarnn incelenmesi iin ele alnan veriler panel verilere rnek gsterilebilir. 1.4. Zaman Serileri Analizi Gzlem sonularnn zaman vasfnn (deikeninin) klarna gre sralanmasyla elde edilen seriye zaman serisi denir 5 . Zaman serisi verileri gnlk, haftalk, aylk, eyrek yllk ( aylk), yllk ve daha uzun dnemli aralklarla derlenir. Zaman serileri ekonomi, mhendislik, eitim, salk gibi birok farkl alanlarda derlenmekte ve toplanmaktadr. Aylk isizlik, haftalk para arz, gnlk sipari saylar vb. seriler zaman serilerine rnek gsterilebilir 6 . Gzlem deerlerinin elde edili biimine gre zaman serileri kesikli ve srekli zaman serileri olarak gruplandrlr. T bir indis kmesi olmak zere, bir zaman serisi {Xt : t T}eklinde ifade edilir. Buradaki T indis kmesi genel olarak T= {1,2,3}= N, T= {0,1, 2, 3}= Z olarak alnabildii gibi T = R, T= [0,1] gibi srekli aralklar da olabilir. Eer T indis kmesi T = R veya T= [0,1] gibi srekli aralklar olarak seildiinde {Xt : t T} zaman serisine srekli zaman serisi ad verilir. Eer T indis kmesi T= {0,1,2,3.}; T= N veya T=Z eklinde seilmi ise {Xt : t T}

Kerry Patterson, An Introduction to Applied Econometrics : A Time Series Approach, Newyork, Great Britain, 2000, s. 24. 4 Patterson, a.g.e, s. 25. 5 zer Serper, Uygulamal statistik 2, stanbul, Filiz Kitabevi, 1996, s. 289. 6 G.S. Maddala, Introduction to Econometrics, Newyork, Macmillan Publishing Company, 1992, s. 525.

ye zaman serisi denir 7 . Zaman serileri iki stundan oluur. lk stunda zaman vasfnn klar, ikinci stunda ise olayn ald deerler belirtilir. Ekonomik byklkleri gsteren zaman serileri zamann belirli aralklarnda lldnden kesikli zaman serileri olarak incelenirler. Zaman deikeninin klar genellikle, Yt , t = 1,,T eklinde belirtilir. Burada T zaman serisinin rneklem boyutunu ifade eder. 1.5. Zaman Serisi Grafii Zaman serileri genel olarak kartezyen koordinatl bir grafikle gsterilir. Grafiin yatay ekseninde zaman deikeninin klar, dikey ekseninde bu klar itibariyle Y deikeninin ald deerler olan gzlem deerleri Yt yer alr. Belirlenen eit aralkl t zaman noktalar (t = 1, 2,, T) ile bu zaman noktalarnda zamana bal Y deikeninin ald Y1,, Yt gzlem deerlerini eletirmek suretiyle zaman serisinin grafii izilebilir. Bu grsel gsterim zaman serisinin saysal verilerinden aka grnmeyen zelliklerini grmede kolaylk salar 8 .

ekil 1.1 Zaman Serisi Grafii

Ylmaz Akdi, Zaman Serileri Analizi (Birim Kkler ve Kointegrasyon), Ankara, Baklar Kitabevi, 2003, s. 11. 8 Patterson, a.g.e, s. 25.
7

1.6. Zaman Serisi Bileenleri Zaman serilerinin grafikleri incelendiinde, serinin gidiinde baz dzensizliklerle karlalmaktadr. Bu dzensiz hareketlerin temelde; -Uzun dnem eilimi (trend), -Mevsimlik ( seasonal) dalgalanmalar, -Konjonktrel (cyclical) dalgalanmalar, -Dzensiz (random walk) hareketler olmak zere drt temel faktrden kaynakland bilinmektedir 9 . Bu faktrlerden her birinin olay zerindeki etkileri farkl yn ve iddette olabilecei gibi, ayn yn ve iddette de olabilmektedir 10 . Zaman serisinin gzlem deerleri (Yt ) bu faktrlerin Yt = Tt. Mt. Kt. Dt mevsimsellik olmayaca iin bu serilerde Yt = Tt. Kt. Dt eitlii sz konusudur 11 . (1.2) (1.1) eklindeki arpmlarndan olutuu varsaylmaktadr. Yllk zaman serilerinde

ekil 1.2 Zaman Serisi Bileenleri Kaynak: Serper, Uygulamal statistik 2, s. 293.

Walter Enders, Applied Econometrics Time Series, Newyork, John Wiley &Sons, 2004, s. 3. Serper, a.g.e, s. 292. 11 Sevktekin ve Nargeleekenler, a.g.e, s. 34.
10

1.6.1. Uzun Dnem Eilimi (Trend) ktisadi faaliyetlerin her biri zaman ierisinde eitli faktrlerden etkilenir. Bu faktrlerin etkisiyle seride ksa dnemde ufak apl sapmalar olabilir, fakat uzun dnemde ana eilim sabittir. Zaman serisinin uzun dnemde belli bir yne doru gsterdii eilime trend denir 12 . Zamanla nfusun srekli olarak artmas kii bana milli gelirin artmasna ve buna bal olarak hayat standardnn ykselmesine neden olur. Bunun sonucunda retim faaliyetlerinin trendi art ynnde olur. 1.6.2. Mevsimlik ( Seasonal) Dalgalanmalar Birok zaman serisi belirli dnemlerde mevsimsel faktrlerin etkisi altndadr 13 . Bir zaman serisindeki tekrarlanan dngsel hareketlere mevsimsel dalgalanma denir 14 . Zaman serilerinde mevsimselliin ortaya knda hava artlar, insan alkanlklar, resmi veya dini bayramlar gibi birok faktr etkili olur. Yaz aylarnda souk iecek satlarnn artmas mevsimsellie rnek gsterilebilir. Mevsimlik dalgalanmalar dngsel olduu gibi ayn zamanda periyodiktir. nk dalgalanmalarn uzunluu yani iki maksimum veya iki minimum nokta arasndaki zaman aral hep ayndr. 1.6.3. Konjonktrel (Cyclical) Dalgalanmalar Konjonktrel hareketler daha ok ekonominin veya sektrlerin refah ya da durgunluk dnemlerini ierir 15 . Refah dnemlerinde ekonomik gstergelerde art olurken, durgunluk dnemlerinde azallar olabilir. Konjonktrel kalplar ile mevsimsel kalplar arasnda benzerlik olmasna ramen mevsimsel hareketler nispeten daha dzenli ve periyodiktir. Konjonktrel hareketler dzensizdir ve periyodik deildir. Konjonktrel hareketler ieren zaman serilerinin analizinde, refah dneminden durgunluk dnemine ve durgunluk dneminden refah dnemine gei noktalarnn analizi nem kazanmaktadr 16 .

12 13

Serper, a.g.e, s. 293. Sevktekin ve Nargeleekenler, a.g.e, s. 12. 14 Serper, a.g.e, s. 294. 15 Sevktekin ve Nargeleekenler, a.g.e, s. 14. 16 Sevktekin ve Nargeleekenler, a.g.e, s. 15.

1.6.4. Dzensiz (Irregular) Hareketler Rassal nedenlerle veya geici olarak ortaya kan hareketlere dzensiz hareketler denir 17 . Bu hareketlerin ne zaman hangi iddette kaca nceden tahmin edilemez. 1.7. Veri retme Sreci (Data Generation Process-DGP) Genelde zaman serileri olarak gzlenen verileri tanmlayan ekonomik sre hakknda sahip olduumuz bilgi snrldr. Dolaysyla bu tr verileri ieren modeller ekonometrik teori tarafndan formle edilip daha sonra ekonometrik teknikler kullanlarak test edilirken teorinin kendisi bu verileri tanmlamada yetersiz kalmaktadr. Ekonometrik teori, aratrlan herhangi bir model iin hangi deikenlerin ilgili, hangi deikenlerin ilgisiz olduklarn belirleyen sre hakknda tam bilgi sunamaz. Burada tam olarak bilinemeyen, ok sayda deiken ve parametre ieren karmak bir sreten sz etmek mmkndr 18 . Ekonomik verilerin stokastik (olaslksal) sreler tarafndan yaratld dnlmektedir. Bir deikenin belirli bir noktadaki belirli bir gereklemesi z itibariyle bir rassal deikenden sadece bir olabilir sonutur. Eer tarih yeniden yazlm olsa idi, deiken ayn olarak kalabilirdi, fakat gerekleme ayn olmayacaktr. Zaman serileri analizinde sre ve gerekleme terimleri arasnda temel bir ayrm vardr. Gzlenen bir zaman serisindeki gerek deerler aslnda bu deerleri reten belirli bir srecin gereklemesidir. Buradaki sre stokastik (olaslksal) retme srecidir. Zaman serisi analizlerinde gerekleme (yani gzlenen rneklem deerleri) ve sre arasndaki iliki istatistiksel hipotez testlerindeki rneklem ve anaktle ilikisine benzer 19 . Zaman serileri analizinin amac, seriyi oluturan herhangi bir sre (yani anaktle) modelini tanmlamak iin bu srecin gereklemelerini (yani rneklemini) kullanmaktr. 1.8. Stokastik Sreler Zaman serileri iin olaslk modellerinin dier tanm stokastik srelerdir. Gerek hayatta birok sre yaplarnda bir rassal veya stokastik yap vardr. Stokastik sre hem reel fiziksel sre hem de onun matematiksel modeli olarak alglanr. Rassal sre

17 18

Serper, a.g.e, s. 296. Patterson, a.g.e, s. 11. 19 Sevktekin ve Nargeleekenler, a.g.e, s. 40.

kavram ile stokastik sre kavram e anlamldr 20 . Reel olarak gzlenen bir zaman serisi Yt, t=1,2,,T ; stokastik sre olarak isimlendirilen bir teorik srecin gereklemesi olarak dnlr. Burada T srete tanmlanan zaman noktalarnn bir setidir. Bir stokastik sreteki deikenin her bir deeri bir olaslk dalmndan rassal olarak ekildiinden rassal bir deikendir ve belirli bir olaslk dalmna gre olutuu varsaylmaktadr. Dolaysyla bir stokastik sre matematiksel olarak zaman aralklarna gre dizilmi rassal deikenlerin bir birikimidir. Geleneksel istatistikte anaktle ve rneklem gibi kavramlarn zaman serisindeki karlklar stokastik sre ve gerekleme dir. Zaman serisi analizlerinin temel amac gzlenen serideki bilgilerden yararlanarak stokastik srecin zellikleri hakknda bilgi edinmektir. Analizdeki ilk adm zet istatistiklerin formlasyonudur ancak asl ama model kurarak serinin yapsn aklamaktr. Rassal deiken { Yt } dizisinin olaslk yaps bir stokastik srecin birleik dalm ile tanmlanr. Bununla birlikte T sonsuz bir set oluturduundan stokastik srecin olaslk yapsn tanmlamak iin sonsuz boyutta bir dalma ihtiya duyulur. Stokastik srecin olaslkl yaps btn n deerleri ve Tnin herhangi bir alt seti (t1,, tn) iin birleik dalm F(Yt1,, Ytn) ile btnyle ifade edilir. Belirli bir t dnemindeki rassal deiken Yt nin dalm ve younluk fonksiyonlar srasyla F(Yt) ve f(Yt) ile gsterilir 21 . Bir stokastik sreci tahmin etmenin bir yolu t1,, tn gibi bir veri setinin Yt1,, Ytn birleik olaslk dalmn tanmlamaktr. Stokastik sreci tanmlamann dier yolu ise momentlerini oluturmaktr. Bu momentler; ortalama, varyans ve otokovaryans fonksiyonlar olarak adlandrlan birinci ve ikinci momentlerdir 22 . Ortalama t = E (Yt ) Varyans 2 = var(Yt ) ve Yt1 ileYt2 arasndaki kovaryans, Otokovaryans t1,t 2 = Cov(Yt1 , Yt 2 ) = E [(Yt1 E (Yt1 ))(Yt 2 E (Yt 2 ))] eklinde yazlabilir.
20 21

(1.3) (1.4)

(1.5)

Chatfield, a.g.e, s. 27. Sevktekin ve Nargeleekenler, a.g.e, s. 44. 22 Chatfield, a.g.e, s. 28.

10

Zaman serisi modellemesinde kovaryanslar nemlidir. Denklemde Yt1 ile Yt2 arasndaki kovaryans t1,t 2 ile gsterilmitir. Bu ifade Yt ile k sayda gecikmeli Yt+k arasndaki kovaryansn gsterilmesi iin kullanldnda;

kt = Cov(Yt , Yt + k )
= E [(Yt E (Yt ))(Yt + k E (Yt + k ))] (1.6)

olur 23 . Ayn seri zerinde farkl gzlemler arasndaki kovaryanslar otokovaryans olarak bilinir. Bir stokastik srecin dalm deikenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamann bir fonksiyonudur. 1.9. Fark Denklemleri Zaman serilerinin geleneksel kullanm, bir deikenin gemiteki deerlerine dayanarak zaman yolunu nraporlamaktr 24 . Dizinin ngrlen bileenleri gelecek iinde tahmin edilebileceinden bir dizinin dinamik yolu devam ettirilerek nraporlar gelitirilir. Tahmin edilen denklemler uygun bir biimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanlabilir. Fark denklemleri ile dorusal zaman serisi modellerinin uygun tahminleri elde edilir. Fark denklemlerinin en basit ekli, bir rassal yry modelidir 25 . rnein hisse senedi fiyatlarndaki gnlk deimelerin ortalamasnn sfra eit olduu varsayldnda; hisse senedi fiyatlarnn deerini ortaya koyan model stokastik bir fark denklemi temeline dayanr: Yt = Yt 1 + et veya Burada Yt Yt 1 = et veya Yt = et (1.7)

Yt ; t gnndeki bir hisse senedi fiyat et ; beklenen deeri sfr olan rassal kalntlardr.

1.9.1. Fark Denklemleri ve zmleri Zaman serisi analizlerinde kullanlan denklemler fark denklemi matematiine dayanr. Bir zaman serisi deikeni (Y), t nin bir fonksiyonu olarak tanmlansn. Y = f(t) ; t = 1,2,...,T dir. Y = f(t)
23 24

(1.8)

Chatfield, a.g.e, s. 29. Sevktekin ve Nargeleekenler, a.g.e, s. 67. 25 Aziz Kutlar, Uygulamal Ekonometri, Ankara, Nobel Yayn Datm, 2005, s. 252.

11

ilikisinde eer t; t* gibi herhangi bir zel deeri alrsa, Y de byle bir zel deer iin Yt* olarak tanmlanr. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur. Y nin t dneminden bir dnem ilerisi iin fark, Yt*+1 - Yt* = f(t*+1) - f(t*) yazlabilir. Benzer ekilde k dnem ilerisi iin fark, Yt*+k - Yt* = f(t*+k) - f(t*) yazlabilir. Yt = f(t) fonksiyonel ilikisinde t nin ardk ve zde aralklarla bir deerler dizisi oluturulduunda t iin { Yt } dizisi {Yt-3 , Yt-2 ,, Yt+1,, Yt+k } ile tanmlanr. Ardk 1. farklar, Yt = f(t) - f(t-1) = Yt -Yt-1 Yt+1 = f(t+1) - f(t) = Yt+1 -Yt Yt+2 = f(t+2) - f(t+1) = Yt+2 -Yt+1
*

(1.9) (1.10) (1.11)

olur. Benzer biimde k dnemlik bir art veya azal dikkate alndnda Y nin deeri

Yt+k = f(t+k) - f(t+k-1) = Yt+k -Yt+k-1

(1.12)

bir dizi eklinde yazlabilir. kinci fark alma; fark almann iki kere yaplmas veya birinci farkn tekrar farknn alnmas anlamna gelir. Yani farkn fark veya farkn karesidir.
(Yt ) = 2Yt

(1.13)

Bu durumda,
2Yt = (Yt Yt 1 ) = (Yt Yt 1 ) (Yt 1 Yt 2 )

= Yt 2Yt 1 + Yt 2 eklinde yazlabilir 26 . Yt = f(t) in n. farkn n almak iin kullanlacak tablo aada gsterilmitir.

(1.14)

26

Sevktekin ve Nargeleekenler, a.g.e, s. 69-70-71.

12

Tablo1.1 n. Farkn Alnmasnda Fark Denklemi Alm Fark Alma Derecesi 0 1 2 3 4 . 1 1 4 1 3 6 . Denklemin Katsaylar 1 1 2 3 4 1 1 1 1

Kaynak: Sevktekin ve Nargeleekenler, Zaman Serileri Analizi, s. 72. 1.9.2. Zaman Serilerinin Geciktirilmesi ve lerletilmesi Bir deikenin geciktirilmesi veya ilerletilmesi, benzer bir ilemle gerekletirilir. i. gecikme iin Yt-i alt imi kullanlarak geriye doru, i. ilerletme iin Yt+i alt imi kullanlarak ileriye doru hareket biiminde ifade edilebilir. Gecikme ve ilerletme iin L ilemcisi kullanlr 27 . Yllk veriler iin yllk byme oran (Yt -Yt-1) / Yt-1 kullanlacandan verilerin geciktirilmesi nem kazanmaktadr 28 . Tablo 1.2 Bir Deikenin 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. Tsay, Analysis of Financial Time Series, USA, John Wiley &Sons, 2004, s. 36. Patterson, a.g.e, s. 32.

13

Bu oranlar 100 ile arplarak yzde deerler biiminde yorumlanabilir. rnein Yt iin yllk byme oran t= 8 de (2/20) *100 = 10 yzde 10 olarak ifade edilebilir. Daha ok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 . Tablo 1.3 Bir Deikenin lerletilmesi Yt 10 12 13 14 15 17 20 22 23 25 Yt+1 12 13 14 15 17 20 22 23 25 -

1.9.3. Gecikme lemcisi Gecikme ilemcisi Li Yt = Yt i eklinde tanmlanr. rnein,

L1Yt = Yt 1 ve L4Yt = Yt 4

(1.15)

olmaktadr. Dolaysyla Yt deikenine uygulanan L nin pozitif bir kuvveti, i; Yt yi i dnem geciktirme ile ayn anlama gelir. i negatif olduunda ilem Yt nin i. ilerletmesi anlamna gelir 30 .
L2Yt = Yt + 2

(1.16)

Ayn zamanda
L0Yt = Yt

(1.17)

anlamna gelir.

29 30

Patterson, a.g.e, s. 33. Patterson, a.g.e, s. 34.

14

Yani L0 , Yt yi deimeden aynen brakan zdelik operatrdr 31 . L1 genellikle L olarak yazlr ve

Li L j Yt = Li + j Yt = Yt (i + j ) dir 32 .
Gecikme ilemcisinin zellikleri 33 ; Bir sabit deerin gecikmesi yine bir sabit deerdir.

(1.18)

Lc = c
Gecikme ilemcisinin dalma zellii vardr.

(1.19)

( Li + L j )Yt = Li Yt + L j Yt = Yt i + Yt j
Gecikme ilemcisi iin arpmann birleme kural vardr.

(1.20)

Li L j Yt = Li ( L j Yt ) = Li Yt j = Yt i j
Gecikme ilemcisinin negatif kuvveti ilerletilme anlamna gelir.
L i Yt = Yt +i

(1.21)

(1.22)

1.9.4. Gecikme Polinomu Gecikme polinomu Lnin dorusal bir fonksiyonudur. Polinomun derecesi polinomdaki L nin en yksek gc tarafndan belirlenmektedir. Gecikme ilemcisi kullanlarak p. dereceden bir denklem ;
Yt 1Yt 1 2Yt 2 ... p Yt p

(1.23)

Gecikme ilemcisi L denkleme eklendiinde,

Yt 1 LYt 2 L2Yt ... p Lp Yt

eklinde yazlabilir. Yt parantezine alarak bu ifade,
(1 1 L 2 L2 ...)Yt = ( L)Yt

(1.24)

(1.25)

eklinde yazlabilir. Bu p. dereceden gecikme polinomu (L ) yi tanmlamaktadr 34 . 1.10. Korelasyon lleri statistikte deikenler arasnda birlikte hareket etmenin veya birlikteliin bykln lmeye alan birok betimsel istatistik sz konusudur. Bu tr
31 32

Patterson, a.g.e, s. 34. Patterson, a.g.e, s. 34. 33 Sevktekin ve Nargeleekenler, a.g.e, s. 108-109. 34 Patterson, a.g.e, s. 34.

15

istatistikler genelde bir deikenin deerlerindeki deimenin baka bir deikenin deerlerindeki deime ile benzer veya farkl bir deime seyri veya eilimi gsterip gstermediini belirmede yardmc olur. Bu nedenle korelasyon testlerinde deikenler arasnda nedensel bir iliki aranmaz. Dolaysyla sebep-sonu ilikisi beklenmez. Deikenler arasndaki deime eer ayn ynde bir eilim gsteriyorsa lein deerinin pozitif, farkl ynlerde deiim gsteriyorsa negatif ve deimenin yn saptanamyorsa veya deikenler arasnda tam bir bamszlk sz konusu ise lein deerinin sfr olmas beklenir 35 . Genelde kullanlan korelasyon analizleri; kovaryans, korelasyon, ksmi korelasyon, determinasyon katsays gibi birliktelik lleri saylabilir. Buna karlk zaman serisi analizlerinde; Kovaryans n karl Otokovaryans, Korelasyon un karl Otokorelasyon, Ksmi Korelasyon un karl Ksmi Otokorelasyon, Determinasyon Katsays nn karl Portmanteau (Q statistikleri) dur. 1.10.1. Kovaryans ve Korelasyon Herhangi iki rassal deiken arasnda birlikteliin veya birlikte deiimin mutlak bir ls kovaryans ile ifade edilir 36 . Her ne kadar kovaryans yaln haliyle birlikteliin nemi hakknda ok fazla net bilgi vermese de korelasyon hesaplanmasnda temel bileen durumundadr. Baka bir ifadeyle korelasyon llerinin temel mant kovaryans matematiine dayanr. X ve Y gibi iki rassal deiken dikkate alndnda, kovaryans deikenlerin her ikisinin beklenen deerlerinden (ortalamalarndan) sapmalarnn arpmlarnn beklenen deeridir 37 .
N N

Cov( X , Y ) = E[( X E ( X ))(Y E (Y ))] = Pij ( X i E ( X ))(Y j E (Y ))

i =1 j =1

(1.26)

Burada Pij , X ve Y nin birlikte grlme olasldr 38 .

35 36

Tsay, a.g.e, s. 25. Sevktekin ve Nargeleekenler, a.g.e, s. 214. 37 Patterson, a.g.e, s. 64. 38 Sevktekin ve Nargeleekenler, a.g.e, s. 214.

16

Her iki deiken ayn zamanda onun ortalamasnn altnda ve stnde yer alyorsa kovaryans pozitif olacaktr. Eer X in deeri ortalamasnn stnde fakat Y nin deeri ortalamasnn altnda ise ya da tersi durum sz konusu ise kovaryans negatif olacaktr 39 .

ekil 1.3 Pozitif ve Negatif Kovaryanslar (a) Pozitif Kovaryans (b) Negatif Kovaryans Kaynak: Sevktekin ve Nargeleekenler, Zaman Serileri Analizi, s. 214. Kovaryans, X ve Y deikenlerinin ortalamalar civarndaki sapmalarn aritmetik ortalamasn alarak yeniden tanmlandnda 40 ,
Cov ( X , Y ) =

1 N

(X
i =1

X )(Yi Y )

(1.27)

Eilimsiz bir kovaryans leine ulaabilmek iin serbestlik derecesi dikkate alnr. Dolaysyla eilimsiz kovaryans tahmincisi 41 ,
Cov ( X , Y ) =

1 N ( X i X )(Yi Y ) N 1 i =1

(1.28)

X ve Y gibi iki deiken gerek anlamda bamsz ise Cov ( X , Y ) = 0 olur 42 . Bu ifade sezgisel olarak bir deikenin deerindeki deimenin dier deikenin deerindeki deimelerle bir alakas olmadn syler. Benzer ekilde eer iki deiken arasnda iliki yoksa ortalamadan sapmalarn arasnda da bir iliki olmad anlamna gelir. Fakat kovaryans ls deikenler arasndaki deiimin bir lsdr. Eer deikenler arasnda tam bir bamszlk varsa kovaryans yine sfr kar. Bu durumda
39 40

Sevktekin ve Nargeleekenler, a.g.e, s. 214. Pindyck R. S, ve D. L. Rubinfeld, Econometric Models and Economic Forecasts, Singapore, Irwin/ McGraw-Hill International Edit., 1998, s. 26. 41 Pindyck ve Rubinfeld, a.g.e, s. 26. 42 Tsay, a.g.e, s. 25.

17

da bantnn dorusal olmad anlamna gelir 43 . Dolaysyla deikenler arasndaki dorusal bamlln nispi veya oransal bir lsn elde edebilmek iin korelasyona bavurulur. Korelasyon katsays, deikenlerden birindeki bir standart sapma deiimin dier deikendeki bir standart sapma ile birlikteliin bir lsdr. Dorusal ilikinin gcn ler 44 . Cov ( X , Y ) Var ( X )Var (Y )
Cov ( X , Y )

( X ,Y ) =

XY

(1.29)

Anaktle korelasyon katsays yada Pearson korelasyon katsays olarak adlandrlan bu korelasyon lsnde X ve Y srasyla X ve Y nin standart sapmalarn gsterir 45 . Korelasyon katsaysnn bu lei -1 ile +1 deerleri arasnda deikenlik gsterir. lek -1 veya +1 e ne kadar yaklarsa birlikteliin derecesi o kadar yksektir. Sfra yaklatka birlikteliin derecesi der. Tam sfr olma halinde ise deikenler ya tam olarak bamszdrlar ya da dorusal olmayan bir ilikiye sahiptirler. Bu durumda da tam bamszlk sz konusudur 46 . Denklem (1.29) ile tanmlanan anaktle katsaysna karlk iki deiken arasndaki rneklem otokorelasyon katsays, rXY = veya
rXY = Cov ( X , Y ) S X SY

Cov( X , Y ) Var ( X )Var (Y )

Cov( X , Y )

XY

(1.30)

(1.31)

biiminde yazlabilir. Burada X S X ve Y S Y dir. rneklem standart sapma deerleri S X ve S Y

SX =

(X

X )2

N 1

(1.32)

43 44

Sevktekin ve Nargeleekenler, a.g.e, s. 215. Gujarati Damodar N., Basic Econometrics, Newyork, The McGraw- Hill Companies, 2004, s. 23. 45 Tsay, a.g.e, s. 25-26. 46 Patterson, a.g.e, s. 71.

18

ve

SY =

(Y

Y )2

N 1

(1.33)

eklinde hesaplanmaktadr. Denklem (1.32) ve (1.33) rneklem korelasyon katsays olan denklem (1.31) de yerine yazlarak yeniden dzenlendiinde 47 ,
N

rXY =

(X
i =1

X )(Yi Y )
N

(X
i =1

(1.34)

X ) 2 (Yi Y ) 2
i =1

rXY ; X ve Y arasndaki basit korelasyon katsays olarak adlandrlr 48 .

1.10.1.1. Korelasyonun statistiksel Anlamll X ve Y gibi iki deiken arasndaki korelasyon katsays yksek ksa bile, birlikteliin istatistiksel anlamll, gerek kk rneklem hacimlerinde gerekse daha dk korelasyon katsays deerlerinde bir deerlendirme yapma gereini ortaya karr. Herhangi iki deiken arasnda hesaplanan korelasyon katsaysnn istatistiksel olarak anlaml olup olmadn test edebilmek iin aadaki admlar izlenir: Hipotezler tanmlanr:
H 0 = rxy = 0 (ki deiken arasnda istatistiksel olarak anlaml bir birliktelik yoktur.) H 1 = rxy 0 (ki deiken arasnda istatistiksel olarak anlaml bir birliktelik vardr.)

Test istatistii hesaplanr:

tr =

r r0 Ser
1 r2 olmak zere, n2 (1.35)

r0 = 0 ve Ser =
tr = r 1 r2 n2

Pindyck ve Rubinfeld, a.g.e, s. 26. S. A. Delurgio, Forecasting Principles and Applications, Newyork, Irwing McGraw-Hill Comp. 1998, s. 59-60.
48

47

19

olur. Seilen anlamllk dzeyinde kritik tablo deeri bulunur(tt). Hesaplanan test istatistii ile bulunan tablo deeri karlatrlr. Mutlak deerce t r t t ise iki deiken arasndaki korelasyon katsaysnn istatistiksel olarak anlaml olmadn syleyen H 0 hipotezi reddedilemez 49 . 1.10.2. Otokovaryans ve Otokorelasyon Herhangi bir deikenin zaman boyunca llmesi durumunda serideki gzlemlerin bir veya bir ka ya da daha fazlas birbirinden etkilenecektir. Baka bir ifadeyle serinin eitli saydaki gecikmeli deerleri arasnda genelde korelasyonun varl gzlenir. Yatay kesit verilerinde de karlalabilecei gibi, genellikle zaman serilerinde rastlanlan bir durumdur 50 . zellikle ekonomik zaman serisi verilerinde bir ve iki gzlemli ve ok nadir olarak deerli gecikmeler arasnda korelasyonun varl gzlenir. Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantna gre gelitirilir. Burada temel farkllk yalnzca tek bir deiken ele alnmakta ve bu deikenin kendi deerleri arasnda gecikmeli korelasyonlar hesaplanmaktadr. Yt zaman serisi deikeni ile onun gemi deerleri Yt-i arasndaki korelasyon, otokorelasyon olarak genelletirilir 51 . Otokorelasyon katsaylar otokovaryans katsaylarna dayanlarak hesaplanr. Duraan stokastik sre iin k gecikmeli otokovaryans, Cov(Yt , Yt + k ) = Cov(Yt , Yt k )
Cov (Yt , Yt + k ) = (Yt Y )(Yt + k Y ) / T
t =1 T k

t =1,2,,T k = 0, 1, 2,

Cov(Yt , Yt + k ) = E [(Yt Y )(Yt + k Y )]

(1.36)

Sevktekin ve Nargeleekenler, a.g.e, s. 219. Michael Creel, Econometrics, Dept. Of Economics and Economic History, Universitat Autonoma de Barcelona, 2005, s. 130. 51 Tsay, a.g.e, s. 26.
50

49

20

Stokastik srecin btn bir tasvirini elde edebilmek iin olaslk dalmna dayanan gerek durumu tanmlayabilmek iin otokorelasyon fonksiyonu, modelleme srecinde olduka yararl bilgiler sunmaktadr 52 . Otokorelasyon fonksiyonu korelasyonu (birliktelii) lmektedir. k gecikmeli bir anaktle otokorelasyon fonksiyonunu, otokovaryans tanmndan hareketle yle yazmak mmkndr, E [(Yt Y )(Yt + k Y )] Yt serisindeki Yt-k ,Yt-1 , Yt Yt+1 ,Yt+k yakn komu veri noktalar arasndaki

k =

E (Yt Y ) 2 E (Yt + k Y ) 2

][

Cov(Yt , Yt +k )
=

Y Y
t

(1.37)

t +k

Elde edilen bu son ifadenin paydasndaki duraan bir sre iin varyans anlamna gelir. Yani t dnemindeki standart sapma ile t+k dnemindeki standart sapma eittir.

Y = Y
t

t +k

(1.38)

O halde,

Cov (Yt , Yt + k )

Y 2
bu ifade; otokorelasyonun, otokovaryans/varyans olduunu gsterir. Cov(Yt , Yt + k ) = k Var (Yt ) = 0

(1.39)

k =
olarak bulunur 53 .

k 0

(1.40)

52 53

Sevktekin ve Nargeleekenler, a.g.e, s. 221. John H. Cochrane, Time Series for Macroeconomics and Finance, USA, 1997, s. 21.

21

1.10.3. rneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlaml bir otokorelasyon durumunda seride duraan dlk sz konusudur. Yava bir ekilde azalan otokorelasyonlarn varl duraan dln gstergesidir 54 . Yukarda tanmlanan otokorelasyon katsays denkleminde otokorelasyon fonksiyonu olduka pr teorik bir yapya sahiptir. Ancak snrl saydaki gzlem iin bir stokastik sreci tasvir eder. Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanr ve bu rneklem otokorelasyon fonksiyonu olarak adlandrlr 55 . Ele alnan duraan bir seride rnek ortalama, varyans, otokorelasyon deerleri kullanlarak gerek veri reten srecin parametreleri tahmin edilir. , 2 , k yerine rnek y , 2 ve k deerleri hesaplanr.

y=

y
t =1

(1.41)

t =1

( yt y)2 T
(1.42)

T k

k =

(y
t =1

y )( yt + k y )
t

(y
t =1

y)

(1.43)

Otokorelasyon fonksiyonunun simetrik olmas nedeniyle ( k = k ) korelasyon pozitif ve negatif yer deitirmeler iin ayndr. Denklem (1.43) den otokorelasyon = otoko var yans olduu grlr 56 . var yans

David A. Dickey, William R. Bell, Robert B. Miller, Unit Roots in Time Series Models: Tests and Implications The American Statistician, Say: 40, 1, (1986), s. 12-26. 55 Pindyck ve Rubinfeld, a.g.e, s. 495. 56 Garnett P. Williams, Chaos Theory Tamed, Washington DC, Joseph Henry Press, 1997, s. 89.

54

22

1.10.3.1. rneklem Otokorelasyon Katsaysnn statistiksel Anlamll rneklem otokorelasyon katsaysnn yaklak sfr ortalamal ve 1 / T standart sapmal bir normal eri ile rnekleme dalmna sahip olduu sylenebilir. rneklem otokorelasyon katsaylarnn bu erevede belirli sayda ortalamas sfr olan bir anaktleden gelip gelmediine baklabilir. Hipotezler tanmlanr: H 0 = k = 0 H1 = k 0 Otokorelasyon katsays iin : SeACF(k) 1/ T standart hatalar hesaplanr. Burada SeACF(k), ACF(k) nn yaklak olarak standart hatas ve T gzlem saysn ifade eder. Otokorelasyon katsaylar iin test istatistii, (1.44)

t ACF ( k ) =
hesaplanr.

ACF (k ) Se ACF ( k )

(1.45)

Hesaplanan t istatistii t-tablo deerinden bykse anaktle otokorelasyon katsaysnn sfr olduu hipotezi reddedilir 57 .

1.10.4. Ksmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasndaki ilikiyi aratrmaya yarar. Ksmi otokorelasyonlar, dier zaman gecikmelerinin etkisini arndrarak Yt ile Yt-k arasndaki birlikteliin derecesini ler.

kk = (Yt , Yt k / Yt 1 , Yt 2 ,...,Yt k +1 )
korelasyon katsaysdr. Ksmi otokorelasyonlar, otokorelasyon

(1.46)

Bu ifadeden grld gibi kk , Yt 1 , Yt 2 , k , Yt k +1 koulunda Yt ile Yt-k arasndaki fonksiyonunun deerlerinden yararlanlarak elde edilir 58 .

57 58

Tsay, a.g.e, s. 27. Sevktekin ve Nargeleekenler, a.g.e, s. 233.

23

 kk =

k k 1 , k 1
j =1

k 1

1 k 1 , j
i =1

k 1

(1.47)

kj = k 1, j kk k 1, k j

j=1,2,,k-1 iin

(1.48)

1.11. Tek Deikenli Zaman Serisi Modelleri

Ekonomik verilerin analiz amalarndan biri de; ekonomik deikenlerin gelecekteki deerlerini ngrmektir. Zaman serisi yaklamnda bir ekonomik deikenin ilgili cari deerleri o deikenin gemi deerleri ile ilikilendirilir. Zaman serisi modelleri bu gemi deerleri kullanarak ayn deikenin gelecekte alabilecei deerleri ngrmeye alr. almada ele alnacak zaman serisi modelleri tek deikenli bir zaman serisinin kendi gemi deerleri ve hata paylarna gre kurulan modeller olacaktr.
Yt = f(Yt-1, Yt-2,, et, et-1, et-2,)

(1.49)

Modelleme bu deikenlerle ele alnacaktr. f() gecikmelerin says ve hata terimleri iin bir yapdr. rnein bir gecikmeli ve temiz dizi kalntl dorusal bir fonksiyon tanmlandnda bu birinci derece otoregresif AR(1) sre anlamna gelir 59 .
1.11.1. Otoregresif Sre (Autoregressive Process-AR)

Zaman serisi modellemesinde Yt gibi bir ekonomik deikenin gemi deerlerinden elde edilen bilgi, bu Yt deikeninin gelecek deerlerini ngrmede yararl olur. Bu tip gecikmi bamll gsteren istatistiksel model rnei aadaki eitlikte olduu gibi birinci derece otoregresif bir sre ile verilmektedir.
Yt = + 1Yt 1 + et t = 1,2,3,,T

(1.50)

Bu birinci derece otoregresif srete bir kesme parametresi; 1 -1 ile +1 arasnda deer ald varsaylan bilinmeyen parametre ve et ortalamas sfr sabit bir varyansla 2 korelasyonsuz bir hata terimidir 60 . Bu denklem birinci derece otoregresif
J. Johnston ve J. Dinardo, Econometric Methods, Newyork, McGraw-Hill International Edit, 1997, s. 204. 60 Tsay, a.g.e, s. 32.
59

24

zaman serisi modelidir. nk Yt yalnzca kendi ve bir nceki dnemdeki deerine (Yt-1) ve bir rassal kalntya baldr. Bu istatistiksel model yaps AR(1) sreci olarak tanmlanr 61 . Bir ekonomik deiken iin zaman serisi istatistiksel modeli tanmlandnda, zaman serisinin Y1, Y2, Y3,, YT oluum srecinin mahiyetini tam anlamyla bilmek gtr. Eer srecin otoregresif olduu tahmin edilse bile birinci derece otoregresif sreten daha karmak olmas muhtemeldir. Yt yalnzca Yt-1e bal deil ayrca Yt-1, Yt-2,
Yt-3, e bal olabilir. Dolaysyla p. dereceden bir otoregresif srecin istatistiksel

modeli AR(p) u ekilde gsterilebilir:

Yt = + 1Yt 1 + 2Yt 2 + ... + p Yt p + et

(1.51)

Burada bir kesme parametresi ve stokastik sre olan Yt nin ortalamasn gsterir 62 . 1 , 2 ,, p ler bilinmeyen otoregresif parametrelerdir. Hata terimi et ortalamas sfr sabit bir varyansla 2 korelasyonsuz rassal deikenler olarak varsaylr 63 . Yani { et } temiz dizidir.
1.11.1.1. AR(1) Srecinin zellikleri

Zaman serisi analizlerinde, zaman serisi deikeni Yt nin ortalama, varyans ve kovaryansnn hesaplanmas nem tamaktadr. Zaman serisi modelleri bir balang noktasndan snrsz bir gemite balayan ve snrsz bir gelecekte de devam edecek olan Yt nin oluum sreci varsaymna dayanr. Bundan baka gemi ve gelecekteki rassal deikenler rnek gzlemlerinde Y1, Y2, Y3,,YT olduu gibi ayn olaslk younluk fonksiyonunu takip eder. Dolaysyla btn rassal deikenlerin gemi, bugn ve gelecek deerlerine bakmadan ayn ortalama ve varyansa sahip olduklar varsaylr. Ayrca Yt ve Yt+k gibi herhangi iki rassal deiken arasndaki kovaryansn zamana bal olmad, fakat iki rassal deiken arasndaki k sayda ilerlemeye veya gecikmeye bal olduu varsaylr. Bu varsaym deikenin gemi deerlerinden yola karak gelecek deerlerini ngrmek iin nemli bir varsaymdr. nk rneklem gzlemlerinin
Pindyck ve Rubinfeld, a.g.e, s. 528. Pindyck ve Rubinfeld, a.g.e, s. 527. 63 W.E. Griffths, R. C. Hill ve G.G. Judge, Learning and Practicing Econometics, Newyork, John Wiley&Sons, 1993, s. 642.
62 61

25

oluturduu veri retme sreci rassal deikenin geleceini ele almyorsa, bu durumda rneklem verilerine dayanan ngrler gvenilmez olur 64 . AR(1) sreci iin ortalama, varyans ve kovaryanslar;
Yt = + 1Yt 1 + et et ~ IID(0, 2 )

(1.52)

Denklemde Yt nin beklenen deeri alndnda;

E (Yt ) = E ( + 1Yt 1 + et ) E (Yt ) = E ( + 1Yt 1 ) + E (et ) E (Yt ) = E ( + 1Yt 1 )

(1.53)

Bir zaman serisinin gzlenebilecek sonular Yt btn dnemler iin ayn olaslk younluk fonksiyonuna sahipse, bu durumda Yt nin ortalamas, varyans btn dnemlerde ayn olmaldr. Yani E(Yt ) = E(Yt-1 ) == olur 65 .

= + 1
E (Yt ) = = /(1 1 )

(1.54)

sonucu elde edilir. Otoregresif parametrenin deeri | 1 | < 1 ise sre duraan olarak kabul edilir 66 . Denklem (1.52) de sabit terim = 0 olduu varsayldnda; Yt nin ortalamas

= 0 olacaktr. Bu varsaymla seri ortalamadan sapmalar cinsinden tanmlanm olur.

Yani ( Yt ) e ulalm olur. Ortalamadaki bu tanmlama serinin varyansn ve kovaryansn etkilemez 67 . AR(1) srecinde Yt nin varyansn bulmak iin, denklem (1.52) yi = 0 varsaym dikkate alnarak yeniden yazldnda,
Yt = 1Yt 1 + et

(1.55)

64 65

Sevktekin ve Nargeleekenler, a.g.e, s. 126. Pindyck ve Rubinfeld, a.g.e, s. 527. 66 Pindyck ve Rubinfeld, a.g.e, s. 528. 67 Sevktekin ve Nargeleekenler, a.g.e, s. 127.

26

olacaktr. ki tarafn varyans alndnda ;

2 Var(Yt) = Y = Var (1Yt 1 + et )

= 12Var (Yt 1 ) + Var (et )

2 Y = 12 Y2 + e2

(Yt-1 ile et bamszdr) (1.56)

= e2 /(1 12 ) = 0

olur 68 .
Yt nin ortalama ve varyansnn btn dnemler iin ayn olmasna ek olarak zaman

serisi deikenlerinin zaman boyunca kovaryanslarnn sabit olduu varsaylr.

Cov (Yt , Yt 1 ) = E [(Yt E (Yt )(Yt 1 E (Yt 1 )]

= E (Yt Yt 1 )

E(Yt) = 0 olduu iin

= E [(1Yt 1 + et )Yt 1 ]
2 = 1 E (Yt 1 ) + E (et Yt 1 )

2 = 1 Y

(Yt-1 ile et bamszdr)

(1.57)

Bu kovaryans btn rassal deikenler iin ayndr. Birer dnem gecikmeli kovaryans ise;
2 Cov (Yt 1 , Yt 2 ) = E (Yt 1Yt 2 ) = 1 Y
2 Cov (Yt 2 , Yt 3 ) = E (Yt 2Yt 3 ) = 1 Y

(1.58)

sonucunu verir. Benzer ekilde Yt ile Yt-k arasndaki kovaryans k ile gsterilir ve t ye bal deildir. Dolaysyla k gecikmeli kovaryanslar;
2 k = Cov (Yt , Yt k ) = 1k Y

k=0,1,2,

(1.59)

olarak hesaplanmaktadr. Buradan Yt nin varyans,

2 Y = e2 /(1 12 ) = 0

(1.60)

68

Tsay, a.g.e, s. 34.

27

k gecikmeli otokovaryans katsays,

2 k = 1 k 1 = Y 1k = 1k 0

k=0,1,2,

(1.61)

ile verilir 69 . Kovaryanslar deikenlerin l birimlerine bal olduklar iin sorgulamak zordur 70 . Bu yzden bu problemin stesinden gelebilmek iin Yt ile Yt-k arasndaki korelasyon hesaplanabilir.
Yt ile Yt-k arasndaki korelasyon;

Cor (Yt , Yt k ) =

Cov(Yt , Yt k ) Var (Yt )Var (Yt k )

= k =

k 0

k= 0, 1, 2,

(1.62)

ile hesaplanmaktadr 71 . Otokorelasyon ve otokovaryans katsaylar sfr gecikme civarnda simetrik olduklar iin k = k dr. Dolaysyla sadece pozitif gecikmeleri dikkate almak yeterlidir. Ayrca k = 0 iin = 1 olaca denklem (1.62) den grlmektedir. AR(1) sreci iin otokorelasyon katsays,

k = 1 k 1 = 1k
korelogram olarak adlandrlr 73 .
1.11.1.2. AR(2) Srecinin zellikleri

k = 1,2,

(1.63)

ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . Bunun grafiksel izimi

Birinci dereceden otoregresif zaman serisi modelleri birok ekonomik zaman serisini tanmlamada yeterli olabilir. Bununla beraber dier serilerde daha genel otoregresif sreler gerekebilir. kinci derece bir otoregresif sre AR(2),
Yt = + 1Yt 1 + 2Yt 2 + et et ~ IID(0, 2 )

(1.64)

ile verilir 74 .

69 70

Pindyck ve Rubinfeld, a.g.e, s. 528. Patterson, a.g.e, s. 65. 71 Tsay, a.g.e, s. 26. 72 Pindyck ve Rubinfeld, a.g.e, s. 529. 73 Johnston ve Dinardo, a.g.e, s. 209. 74 Pindyck ve Rubinfeld, a.g.e, s. 530.

28

AR(2) srecinde zaman serisi Yt nin ortalamas;

E (Yt ) = E ( + 1Yt 1 + 2Yt 2 + et ) E (Yt ) = + 1 + 2

(1.65)

veya
E (Yt ) = = /(1 1 2 )

(1.66)

yazlr 75 . AR(2) srecinin duraan olmas iin,

1 + 2 < 1 2 - 1 < 1
2
<1

koullar salanmaldr 76 . = = 0 olduunu varsayarak, Yt nin varyans ve kovaryans;

E (Yt 2 ) = E [Yt (1Yt 1 + 2Yt 2 + et )]

0 = 1 1 + 2 2 + e2
E (Yt 1Yt ) = E [Yt 1 (1Yt 1 + 2Yt 2 + et )]

(1.67)

1 = 1 0 + 2 1
E (Yt 2Yt ) = E [Yt 2 (1Yt 1 + 2Yt 2 + et )]

(1.68)

2 = 1 1 + 2 0
ve k2 iin genel olarak yazlacak olursa;
E (Yt k Yt ) = E [Yt k (1Yt 1 + 2Yt 2 + et )]

(1.69)

k = 1 k 1 + 2 k 2

(1.70)

75 76

Pindyck ve Rubinfeld, a.g.e, s. 530. Johnston ve Dinardo, a.g.e, s. 210.

29

Denklem (1.67), (1.68), (1.69) eanl olarak zldnde;

0 =
bulunur 77 .

(1 2 ) e2 (1 + 2 ) (1 + 2 ) 2 12

(1.71)

Bu sonular ayrca otokorelasyon fonksiyonu k nn karlmasnda da kullanlr. AR(2) sreci iin otokorelasyon fonksiyonu (ACF),

k = 1 k 1 + 2 k 2
olur 78 .

k = 3, 4,

(1.72)

1.11.1.3. AR(p) Srecinin zellikleri Yt deikeninin gzlenen rneklem deerleri bir AR sreci tarafndan retildii

varsaylsn. Gerek hayatta srecin derecesi hakknda ou zaman belirsizlik sz konusudur. Genel olarak AR(p) sreci,
Yt = + 1Yt 1 + 2Yt 2 + ... + p Yt p + et

(1.73)

Denklem (1.73) ile geleneksel model

[Yt

= E (Yt ) + et ] arasnda, modellerin sa

tarafnda yer alan deikenler asndan fark vardr. Denklem (1.73) n sa tarafndaki deikenler rassal baml deikenin gecikmeli deerlerinden olutuu iin rassaldr. Eer kalnt et korelasyonsuz rassal deiken ise bu durumda denklem (1.73)n sa tarafndaki Yt nin gecikmeli deerleri ile de korelasyonsuz olacaktr. Bu nedenle Yt nin gecikmeli deerleri yalnzca et nin gecikmeli deerlerine bal ve cari hata terimi et ile korelasyonsuzdur. Dolaysyla en kk kareler (EKK) tahmincisi tutarl bir tahmin retir. Otoregresif sre duraan ise ortalamas ile gsterilir ve zamanla deimez 79 .
E (Yt ) = E (Yt 1 ) = E (Yt 2 ) = ... = E (Yt p ) = olur.

77 78

Pindyck ve Rubinfeld, a.g.e, s. 531. Pindyck ve Rubinfeld, a.g.e, s. 531. 79 Sevktekin ve Nargeleekenler, a.g.e, s. 136.

30

O halde ortalama;

= + 1 + 2 + ... + p = /(1 1 2 ... p )

olur 80 .
1.11.1.4. Otoregresif Srecin Derecesinin Belirlenmesi

(1.74)

Otoregresif srecin derecesinin belirlenmesinde ksmi otokorelasyon fonksiyonu kullanlr 81 . Ksmi otokorelasyon katsays, dier gecikmelerin etkisi sabit kalmak kouluyla Yt ile herhangi bir k gecikmesinde oluturulan Yt-k gzlemleri arasndaki korelasyon anlamna gelir. Yt zerinde etkili olan gecikmelerde ksmi otokorelasyon katsaysnn sfrdan farkl yani istatistiki olarak anlaml olmas gerekir. Ksmi otokorelasyon katsaylar p gecikmeye kadar anlaml, p gecikmeden sonra anlamsz ise srecin derecesinin p olduu sylenir 82 . Ksmi otokorelasyon katsaylar bir gecikme iin sfrdan farkl, dierleri iin sfrdan farkl deilse sre AR(1) srecidir. Ayn ekilde ksmi otokorelasyon katsaylar iki gecikme iin sfrdan farkl, dierleri iin sfrdan farkl deilse sre AR(2) srecidir.
1.11.2. Hareketli Ortalama Sreci (Moving Average Process-MA)

Hareketli ortalama sreci bir zaman serisinin t dnemindeki deerini, hata paynn cari ve gemi dnem deerlerinin arlkl ortalamas ile ifade eden bir sretir 83 . Genel olarak MA(q) sreci;
Yt = + et + 1et 1 + 2 et 2 + ... + q et q

(1.75)

Burada korelasyonsuz rassal hata terimi et ortalamas sfr ve sabit bir varyansa

80 81

Tsay, a.g.e, s. 39. Johnston ve Dinardo, a.g.e, s. 211-212. 82 Tsay, a.g.e, s. 41. 83 Pindyck ve Rubinfeld, a.g.e, s. 522.

31

sahiptir 84 . i (i=1,2,,q) bilinmeyen parametrelerdir. Denklem (1.75) e dikkat edilirse AR(p) modelinden farkl olarak kesme parametresi yerine kullanlmtr.
1.11.2.1. MA(1) Srecinin zellikleri

En basit hareketli ortalama sreci olan MA(1) aadaki gibi gsterilir;

Yt = + et + 1et 1

(1.76)

srecin ortalamas,
E (Yt ) =

(1.77)

srecin varyans 85 ,
Var (Yt ) = E (Yt ) 2

0 = e2 (1 + 12 )
Yt ile Yt-1 arasndaki kovaryans, Cov(Yt , Yt 1 ) = E [(Yt )(Yt 1 )] Cov(Yt , Yt 1 ) = E [(et + 1et 1 )(et 1 + 1et 2 )]

(1.78)

1 = 1 e2
Yt ile Yt-2 arasndaki kovaryans ise, Cov(Yt , Yt 2 ) = E [(Yt )(Yt 2 )] Cov(Yt , Yt 2 ) = E [(et + 1et 1 )(et 2 + 1et 3 )]

(1.79)

2 = 0
k sayda gecikme dikkate alndnda, Cov(Yt , Yt k ) = E [(Yt )(Yt k )] Cov(Yt , Yt k ) = E [(et + 1et 1 )(et k + 1et k )]

(1.80)

D. S. G. Pollock, A Handbook of Time Series Analysis Signal Processing and Dynamics, USA, Academic Press, 1999, s. 517. 85 Tsay, a.g.e, s. 51.

84

32

k = 0

(1.81)

Dolaysyla k>1 btn gecikmelerde MA(1) srecinin kovaryans k ile ayn biimde gsterilebilir. Yani k>1 olduu btn durumlarda kovaryanslar sfra eittir. Bu durumda MA(1) srecinin yalnzca bir dnemlik bir bellee sahip olduu yani Yt nin yalnzca Yt 1 ve Yt+1 ile korelasyonlu olduu sylenir. Dier verilerle herhangi bir korelasyon yoktur 86 . MA(1) srecinin otokorelasyon fonksiyonu ise gecikme k=1 den sonra kesilmektedir 87 . MA(1) srecinin otokorelasyon fonksiyonu 88 ,

1 k 1 + 2 1 k = = 0 0

k =1 (1.82) k 1

1.11.2.2. MA(2) Srecinin zellikleri

kinci derece hareketli ortalama sreci MA(2) denklem (1.83) ile ifade edilir 89 , Yt = + et + 1et 1 + 2 et 2 srecin ortalamas, E (Yt ) = srecin varyans,
Var (Yt ) = e2 (1 + 12 + 22 )

(1.83)

(1.84)

= 0 Yt ile Yt-1 arasndaki kovaryans ise, Cov(Yt , Yt 1 ) = E [(et + 1et 1 + 2 et 2 )(et 1 + 1et 2 + 2 et 3 )]
86 87

(1.85)

Pindyck ve Rubinfeld, a.g.e, s. 524. Griffiths, Hill ve Judge, a.g.e, s. 655. 88 Pindyck ve Rubinfeld, a.g.e, s. 524. 89 Pindyck ve Rubinfeld, a.g.e, s. 524.

33

 1 = 1 e2 + 1 2 e2 = e2 ( 1 + 1 2 )
Yt ile Yt-2 arasndaki kovaryans ise, Cov(Yt , Yt 2 ) = E [(et + 1et 1 + 2 et 2 )(et 2 + 1et 3 + 2 et 4 )]

(1.86)

2 = 2 e2
Yt ile Yt-3 arasndaki kovaryans ise, Cov(Yt , Yt 3 ) = E [(et + 1et 1 + 2 et 2 )(et 3 + 1et 4 + 2 et 5 )]

(1.87)

3 = 0
O halde k dnem gecikmeli kovaryans, Cov(Yt , Yt k ) = k = 0 olur 90 . MA(2) srecinin otokorelasyon fonksiyonu ise,

(1.88)

(1.89)

1 = 2 =

1 (1 + 2 ) 1 + 12 + 22 2 1 + 12 + 22
k>2 iin

(1.90)

(1.91) (1.92)

k = 0
bulunur 91 .

1.11.2.3. MA(q) Srecinin zellikleri

MA(1) ve MA(2) srelerinde srecin ortalamas, varyans ve kovaryanslar sonlu olduu ve zamanla deimedii iin duraan olduklar sylenir. Duraan sonlu dereceden bir MA sreci iin bu durum her zaman geerlidir.

90 91

Sevktekin ve Nargeleekenler, a.g.e, s. 144-145. Pindyck ve Rubinfeld, a.g.e, s. 524.

34

q. dereceden hareketli ortalama sreci,

Yt = + et + 1et 1 + 2 et 2 + ... + q et q

(1.93)

olarak yazlr 92 . Burada et ortalamas sfr, sabit varyansl ve korelasyonsuz hata terimi ve (1, 2,, q) parametreleri herhangi bir reel saydr. MA(q) srecinin ortalamas, E (Yt ) = srecin varyans, Var (Yt ) = 0 = E (Yt ) 2 (1.94)

= E et2 + 12 et21 + ... + q2 et2 q + 21 2 et 1et 2 + ... = e2 + 12 e2 + ... + q2 e2

0 = e2 (1 + 12 + ... + q2 )
olur 93 .

(1.95)

Hata terimi et bamsz ve korelasyonsuz olarak varsayld iin btn apraz arpm terimlerinin beklenen deeri sfrdr 94 . k=1,2,,q iin,

i = E[ (et + 1et 1 + 2 et 2 + ... + q et q )(et k + 1et k 1 + 2 et k 2 + ... + q et k q ) ]

=E[ k et2 k + k +11et2 k 1 + k + 2 2 et2 k 2 + ... + q q k et2 k q ] (1.96)

Farkl tarihlerdeki etlerin arpmlarnn beklenen deeri sfr olduu iin eitlikten karlr ve 0 birim deer olarak tanmlanr. k>q iin, k nn tanmndan ortak tarihli et lerin de beklenen deeri sfr olduu iin eitlikten karlr 95 .

92 93

Pindyck ve Rubinfeld, a.g.e, s. 522. Pindyck ve Rubinfeld, a.g.e, s. 523. 94 Griffiths, Hill ve Judge, a.g.e, s. 657. 95 Sevktekin ve Nargeleekenler, a.g.e, s. 147.

35

Bu durumda, ( k + k +11 + k + 2 2 + ... + q q i ) e2 i = 0 k = 1,2,..., q kq (1.97)

MA(2) srecindeki denklem (1.85), (1.86) ve (1.87) de ifade edildii gibi,

0 = e2 (1 + 12 + 22 ) 1 = e2 ( 1 + 1 2 ) 2 = 2 e2

3 = 4 = ... = 0

(1.98)

( 1 , 2 ,..., q ) nun herhangi bir deeri iin MA(q) sreci kovaryans duraan 96 olarak

ifade edilir. MA(q) sreci iin otokorelasyon fonksiyonu, k + k +11 + k + 2 2 + ... + q q k 1 + 12 + 22 + ... + q2 k = 0 k = 1,2,..., q (1.99) kq

olur 97 . Burada otokorelasyon fonksiyonu q gecikmeden sonra sfrdr. Sfrdan farkl ve ok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA srecinin derecesini belirlemede yardmc olur 98 .
1.11.3. Karma Otoregresif Hareketli Ortalama Sreci (Autoregressive Moving Average Process-ARMA)

Amprik almalarda aratrmacnn karlat durumlardan birisi veri retme srecini tehis etmek ve sonrasnda zaman serisi verilerinin gereklemelerini kullanarak karlk gelen istatistiksel modeli tanmlamaktr.
96

Bir sre zayf veya kovaryans duraan ise, Yt ile Yt+k arasndaki kovaryans gzlemlerin tarihi olan t ye deil, gzlemlerin zaman ayrm uzunluu olan k ya baldr. 97 Sevktekin ve Nargeleekenler, a.g.e, s. 148. 98 Pindyck ve Rubinfeld, a.g.e, s. 527.

36

Bir model iin hesaplanan otokorelasyonlar ( k ) ileri gecikmelerde sfra doru bir azalma gsterir ancak ksmi otokorelasyonlarn hesaplanmasnda ok ksa sreli gecikmelerde kesilme oluyorsa otoregresif srecin daha baskn olduu sylenir. Bir zaman serisi verileri iin hem otokorelasyon hem de ksmi otokorelasyon fonksiyonlar belirli bir gecikmede kesilmeyerek sfra doru ok yava hareket edebilir. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileenlerini ayn anda ierebilir. Baka bir ifadeyle zaman serisi modeli hem AR, hem de MA bileenleri p. ve q. dereceden olmak zere ARMA(p,q) olarak tanmlanr ve u ekilde gsterilir 99 ;
Yt = + 1Yt 1 + ... + p Yt p + et + 1et 1 + ... + q et q

(1.100)

Burada kesme terimi , Yt nin ortalamas, hata terimi et, E(et) = 0 ve Var (et ) = e2 ile korelasyonsuz rassal deikenlerdir (Sre duraan ise ortalama ye eittir). Denklem (1.100) n beklenen deeri alndnda,
E (Yt ) = = + 1 + ... + p + 0 + 1 0 + ... + q 0

(1 1 ... p )

(1.101)

Bu sonu ayrca duraanlk iin gerekli koulu da belirtir. Yani,

1 + 2 + ... + p 1
koulunun salanmas gerekir 100 .
1.11.3.1. ARMA(1,1) Srecinin zellikleri

(1.102)

En basit karma otoregresif hareketli ortalama sreci ARMA(1,1) dir. Yt = + 1Yt 1 + et + 1et 1 (1.103)

Eer = 0 ise zde olarak seri Yt ortalamadan sapma formunda ise srecin varyans,

0 = Var (Yt ) = E (Yt ) 2

99

100

Pindyck ve Rubinfeld, a.g.e, s. 535. Pindyck ve Rubinfeld, a.g.e, s. 535.

37

 0 = E (1Yt 1 + e t +1et 1 ) 2 = 12 0 + 211 E (Yt 1et 1 ) + e2 + 12 e2

Bu ifade de, E (Yt 1et 1 ) = E [(1Yt 2 + et 1 + 1et 2 )et 1 ]
= E (et21 ) = e2

ile tanmlanr. Bu ifade de et-1, Yt-2 veya et-2 ile korelasyonlu deildir. Yukardaki ifade dzenlendiinde,

0 (1 12 ) = e2 (1 + 12 21 1 )
ve 1 < 1 ise varyans,

0 =

(1 + 12 211 ) 2 e (1 12 )

(1.104)

elde edilir 101 . Kovaryanslar ise 1 , 2 ,..., k srasyla,

1 = E (Yt 1Yt ) = E[Yt 1 (1Yt 1 + et + 1et 1 )]

(1 + 11 )(1 + 1 ) 2 e = 1 12
= 1 0 + 1 e2 (1.105)

2 = E (Yt 2Yt ) = E [(Yt 2 (1Yt 1 + et + 1et 1 )]

= 1 1 ve (1.106) (1.107)

k = 1 k 1

k2

Otokorelasyon fonksiyonu,

1 =

1 (1 + 11 )(1 + 1 ) = 0 (1 + 12 + 211 )
k2

(1.108) (1.109)

k = k / 0 = 1 k 1
olur 102 .
101 102

Pindyck ve Rubinfeld, a.g.e, s. 535. Pindyck ve Rubinfeld, a.g.e, s. 536.

38

ARMA(1,1) sreci AR ve MA bileenlerinin bir kombinasyonudur. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA srecinin zelliklerini birlikte gsterir. MA sreci bir dnemlik bellee sahip olduu iin, bir gecikmeden sonra AR bileeninin etkisiyle otokorelasyon fonksiyonu azalan bir davran sergiler.
1.11.3.2. ARMA(p,q) Srecinin zellikleri

Daha yksek dereceden sreler iin, ARMA(p,q) srecinin kovaryans,

k = 1 k 1 + 2 k 2 + ... + p k p
Otokorelasyon fonksiyonu,

k q+1

(1.110)

k = 1 k 1 + 2 k 2 + ... + p k p

k q+1

(1.111)

ile gsterilebilir. q srecin hareketli ortalama ksmnn belleidir. k q+1 iin otokorelasyon fonksiyonu ve kovaryanslar pr otoregresif srecin zelliklerini gsterir 103 .
1.11.4. Homojen Duraan Olmayan Sre (Autoregressive Integrated Moving Average Process-ARIMA)

Seriler duraan srece sahip olduu varsaymndan hareketle AR, MA ve ARMA sreleri yukarda ifade edilmitir. Ancak gerek hayattaki zaman serilerinin ou zaman boyunca deien belirli bir stokastik srecin zelliklerini tamas nedeniyle duraan deildir 104 . Ancak bu zaman serilerini duraanlatrmak iin serinin bir veya daha fazla farkn almak suretiyle dntrme ilemi gerekletirilebilir. Byle zaman serilerine entegre sre ad verilir. Genel ifadesi,
Yt = 1Yt 1 + ... + p Yt p + d Yt + et + 1et 1 + ... + q et q

(1.112)

eklindedir. Burada d entegrasyon ilemi anlamna gelir 105 . d=1 iin, Yt = Yt - Yt-1
103 104

(1.113)

Pindyck ve Rubinfeld, a.g.e, s. 537. Pindyck ve Rubinfeld, a.g.e, s. 538. 105 Johnston ve Dinardo, a.g.e, s. 228.

39

olur.

d=2 iin, 2 Yt = (YtYt-1) = Yt - 2Yt-1 + Yt-2

(1.114)

1.12. Box- Jenkins (BJ) Yntemi

Box- Jenkins yaklam, zaman serisi verilerinin analizinde en yaygn kullanlan yntemlerden biridir 106 . Box-Jenkins yntemi 107 duraan zaman serilerinin modellemesinde kullanlr. Zaman serisinin modelini kurmada ortaya kan problem, en uygun p, d, q deerlerinin seimidir. Bir seride bu deerlerin bulunmasnda Box- Jenkins yntemi uygulanmaktadr. Yntem drt aamadr 108 :
1. Aama: Belirlenme

Bu aamada uygun p, d, q deerleri belirlenir. Bunun iin serinin korelogram izilir. Serinin korelogramndan MA(q), AR(p) veya ARMA(p,q) srelerinden hangisine uygun olduu tespit edilir. Eer otokorelasyon fonksiyonu herhangi q zirveye sahip ve ondan sonra kesintiye uruyor ise modelin q mertebede MA(q), ksmi otokorelasyon fonksiyonu herhangi p zirveden sonra kesintiye urayp sfrlanyorsa modelin bir AR(p) olduu veya her iki fonksiyonda aamal olarak zirveye ulayor ve ondan sonra ayn tarzda azalyorsa modelin ARMA(p,q) olduu sylenir 109 .
2. Aama: Tahmin

Birinci aamadaki deerlendirmeler nda belirlenen ARIMA modeli tahmin edilir.

3. Aama: Uygunluk Testi

Bu aamada tahmin edilen regresyonun (ARIMA modelinin) incelenen seriye uygun olup olmad aratrlr. Kalntlar beyaz grlt (temiz dizi) zelliini gsteriyorsa yani sabit bir ortalama ve varyansa sahipse modelin uygunluuna karar verilir. Bunun iin regresyonun hata terimlerinin korelogram incelenir.
106 107

Maddala, Introduction to Econometrics, s. 542. Box G.P.E., Jenkins G. M., Time Series Analysis: Forecasting and Control, San Francisco, Holden Day, 1976. s. 19. 108 Recep Tar, Ekonometri, stanbul, Avc Ofset, 2005, s. 429-430. 109 Kutlar, a.g.e, s. 270.

40

4. Aama: ngr

Tahmin edilen ARIMA modeli ile ngr yaplmaktadr. Duraan modeller iin otokorelasyon ve ksmi otokorelasyon fonksiyonlarnn teorik davran Tablo 1.4 te gsterilmektedir.
Tablo 1.4 ACF ve PACF nin Teorik Davranlar Model Otokorelasyon Fonksiyonu (ACF) AR(p) MA(q) ARMA(p,q) Ksmi 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 (yaklak olarak) stel (geometrik) veya bir sins dalgas eklinde olabilir.
Kaynak: Sevktekin ve Nargeleekenler, Zaman Serileri Analizi, s. 168.

41

KNC BLM ZAMAN SERLERNDE DURAANLIK ANALZ

Zaman serisi verileri kullanlan almalarda serilerin duraan (stationary) olmalar nemlidir. Zaman serileri analizinde, duraan olmayan serilerle alldnda, oluturulacak regresyonun sonular gereki olmamaktadr ve duraan olmayan (nonstationary) serilerin kullanlmas regresyona tabi tutulan deikenler arasnda sahte (spurious) ilikiye neden olur. Bu durumda standart t istatistikleri ve R2 deerleri olduundan daha yksek kar 1 . Deikenler arasnda anlaml bir iliki yoksa bile anlaml bir iliki varm gibi grnr. Bu nedenle, zaman serileri ile alrken, ncelikle serilerin duraanlnn test edilmesi gerekmektedir 2 . Ayrca duraan olmayan serilerde oluan geici bir ok kalc bellee neden olur. Bu da serilerin belli bir deere yaklamasn yani duraanln engeller. Bu sebeplerden tr zaman serileri ile alldnda ilk aamada serilerin duraanlk analizlerinin yaplmas gerekmektedir. Bir zaman serisinin ortalamas, varyans ve kovaryans zaman iinde sabit kalyorsa o serinin duraan olduu sylenir. Herhangi bir Yt serisinin duraan olma artlar u ekilde zetlenebilir 3 : Sabit aritmetik ortalama Sabit varyans : E (Yt ) = : Var (Yt ) = E (Yt ) 2 = 2 (2.1)

Gecikme mesafesine bal kovaryans: k = E [(Yt )(Yt k )] (btn t deerleri iin) k:gecikme mesafesi

Bir duraan zaman serisinde ard arda gelen iki deer arasndaki fark zamann kendisinden kaynaklanmamakta, sadece zaman aralndan kaynaklanmaktadr. Bundan

1 2

Enders, a.g.e, s. 171. Terzi, H., Trkiyede Enflasyon ve Ekonomik Byme likisi (1924-2002), Gazi niversitesi, ktisadi ve dari Bilimler Fakltesi Dergisi, Say: 3, (2004), s. 59-75. 3 Gujarati, a.g.e, s. 797.

42

dolay serinin ortalamas zamanla deimemektedir. Ancak gerek dnyadaki zaman serilerinin ou duraan deil ve dolaysyla serilerin ortalamas zamanla deimektedir. Zaman serilerinin uygun bir modele oturtulabilmesi iin bu serilerin nce duraan hale getirilmesi gerekir 4 . Bu koullardan birisi salanmadnda serinin duraan olmad sylenir. Duraan olmayan seriler birim kk (unit root) ierirler. Bir serideki birim kk says serinin duraan olana dek alnmas gereken fark saysna eittir. Yt serisi 1 fark alnnca duraan oluyorsa seri 1. dereceden duraandr denir ve I(1) olarak gsterilir. Genel olarak seri d kez fark alnnca duraan oluyorsa seri d. dereceden duraandr denir ve I(d) ile gsterilir 5 . Bir serinin duraan olup olmadn anlamann iki yolu vardr 6 : 1- Serinin korelogramnn incelenmesi, 2- Birim kk testleri uygulanmas.

ekil 2.1 Duraan Bir Zaman Serisi Grafii Kaynak: Maddala, Introduction to Econometrics, s. 529.

4 5

Kutlar, a.g.e, s. 252. Gujarati, a.g.e, s. 805. 6 Johnston ve Dinardo, a.g.e, s. 215.

43

ekil 2.2 Duraan Olmayan Bir Zaman Serisi Grafii Kaynak: Maddala, Introduction to Econometrics, s. 530. 2.1. Sahte (Spurious) Regresyon

Zaman serisi kullanarak oluturulan regresyonda duraan olmayan serilerin kullanlmas, yaplan tahminde sahte (spurious) regresyonu ortaya karr 7 . Regresyon ktlarna bakldnda R2 yeterince yksek ve t istatistikleri anlamldr, fakat DW (Durbin Watson) istatistik deeri kktr. Fakat sonularn bir ekonomik anlam bulunmamaktadr. Granger ile Newbold un nerdikleri gibi 8 , R2>DW ise tahmin edilen regresyonun sahte olduundan phelenmek iin gevek bir kuraldr. Duraan olmayan bir zaman serisinin, duraan olmayan bir zaman serisine gre regresyonu oluturulduunda standart t ve F snamalar snama sreleri geerli deildir 9 .
2.2. Duraanlk Analizi: Korelogram Testi

rneklem otokorelasyonlarnn, ksmi korelasyonlarn ve Q istatistiklerinin birlikte hesaplattrld zellikle k sayda gecikmenin serinin istatistiksel olarak anlaml bir katsay retip retmediini korelogram vastasyla takip etmek mmkndr 10 . Korelogram, otokorelasyon fonksiyonunun seilen gecikme srecinde tahmin edilen veya hesaplanan deerini AC ile gsterilen stunda belirtir. Eer seri belirli bir ortalama
7 8

Badi H. Baltagi, A Companion to Theoretical Econometrics, UK, Blackwell Publishing, 2003, s. 557. C.W.J. Granger, P. Newbold, Spurious Regressions in Econometrics, Journal of Econometrics, Say: 2, (1974), s. 111-120. 9 Enders, a.g.e, s. 171. 10 Sevktekin ve Nargeleekenler, a.g.e, s. 241.

44

etrafnda dalgalanmyorsa, yukarya veya aaya doru eilimliyse otokorelasyon fonksiyonunun korelogram yksek bir deerden balayp yava yava snyorsa bu serinin duraan olmad dnlr. AC stunu sfra ne kadar yaknsa sz konusu zaman serisi iin duraanlk veya temiz dizi olma zellii daha fazla arlk kazanr. statistiksel olarak anlaml otokorelasyonlarn varl serinin duraan dln yanstr11 . Otokorelasyon katsaylarnn anlamllk testleri Q istatistikleri ile gerekletirilir. Korelogramda otokorelasyon ve ksmi otokorelasyon grafiklerinde kesikli izgi
(t t .Se ACF ( k ) ) ve (t t .Se PACF ( k ) ) gven snrlarn gstermektedir. Burada tt 0,05

anlamllk dzeyinde t tablo deeri (1,96), Se ACF (k ) otokorelasyon katsaysnn standart hatas, SePACF ( k ) ksmi otokorelasyon katsaysnn standart hatasdr12 .
2.2.1. Q statistikleri: Portmanteau Testleri

Q istatistikleri bir grup otokorelasyon katsaysnn sfrdan anlaml bir ekilde farkl olup olmadn test etmeye yarayan bir istatistiktir13 . Bu amala gelitirilen farkl Q istatistikleri sz konusudur. zellikle bu istatistiklerden en fazla kullanlan BoxPierce Q istatistii ve bu istatistiin orta saydaki veriler iin nispeten zayf olmas nedeniyle gelitirilen Ljung-Box Q istatistiidir. Ekonometri paket program Eviews ta kullanlan Q istatistii de Ljung-Box Q istatistiidir. Bu istatistik u ekilde hesaplanr 14 ,

ACF (k ) 2 2 LB =n (n+2) m nk k =1
m

(2.2)

Bu test istatistiinin istatistiksel olarak anlaml olup olmadn anlayabilmek iin k serbestlik derecesi ile ki-kare tablo deeri karlatrlr 15 . Test istatistii tablo deerinden kkse Q istatistik deerinin anlaml olmad yani serinin duraan olduu sonucuna varlr. Eer hesaplanan Q deeri, seilmi anlamllk dzeyinde ki-kare tablosundaki kritik Q deerini aarsa btn rneklem otokorelasyonlarnn sfr

11 12

Sevktekin ve Nargeleekenler, a.g.e, s. 241. Sevktekin ve Nargeleekenler, a.g.e, s. 229. 13 Tsay, a.g.e, s. 27. 14 Tar, a.g.e, s. 392. 15 Badi H. Baltagi, Econometrics, Berlin Heidelberg, Springer-Verlag, 2008, s. 358.

45

olduunu ifade eden sfr hipotezi reddedilir ve bunlarn en azndan bazlarnn nemli olduu sylenebilir.

ekil 2.3 Duraan Olmayan Bir Seri Korelogram

ekil 2.4 Duraan Bir Seri Korelogram

46

2.3. Trend Duraanlk ve Fark Duraanlk

Duraan olmayan zaman serilerinde duraan dln nedenleri serilerdeki deterministik trend veya stokastik trenddir. Bir zaman serisinin sahip olduu deterministik trend yaps zaman yolu grafii kullanlarak ortaya konulabilir. Gerekte duraan bir zaman serisinde; serinin sahip olduu deterministik trend etkisiyle ortalamasnn deimesi, zaman serisini duraan d gsterir. Trend duraan olmayan sreler iin duraanlatrma iki temel yaklamla gerekletirilmektedir16 . Birinci yaklam, duraan olmayan zaman serisi iin kurulacak regresyon denkleminde, seri trend (zaman) zerine regrese edilir. Daha sonra bu regresyondan elde edilen kalntlar zerinde analizler yaplr. kinci yaklamda ise, zaman serisi modeline trend bir regresr olarak ilave edilerek gerekli analizler yaplr. Yt = + t + et bileendir 17 . Eer duraan olmayan zaman serisinde, deterministik trend yoksa stokastik trend olmas muhtemeldir. Duraan olmayan zaman serisindeki stokastik trend yaps dlanarak seri duraanlatrlr. Bu duraanlatrma ilemi fark alma olarak tanmlanmaktadr. rnein basit bir pr rassal yry serisi Yt = Yt 1 + et (2.4) (2.3)

Burada Yt zaman serisi, t deterministik trend, et ~ IID(0, 2 ) duraan stokastik

olarak tanmlansn. Burada Yt-1 stokastik trend, et ~ IID(0, 2 ) dir. Modelin her iki tarafnda birinci fark alndnda varsaym gerei duraan olmayan Yt serisi duraan hale gelecektir 18 . Yt Yt 1 = et (1 L)Yt = et
Yt = et

(2.5)

16

Maddala G. S ve I. M. Kim, Unit Root Cointegration and Structural Change, Cambridge, Cambridge University Press, 1998 s. 4. 17 Gujarati, a.g.e, s. 821. 18 Enders, a.g.e, s. 167.

47

Bu fark alma ilemi ile zaman serisi stokastik bileenden arndrlarak hata teriminin zelliklerini almas salanr 19 .

ekil 2.5 Trend Duraan ve Fark Duraan Seriler Kaynak: J. Johnston ve J. Dinardo, Econometric Methods, s. 221. 2.4. Duraanlk Analizi: Birim Kk Testi

Bir deikenin duraan olup olmadn veya duraanlk derecesini belirlemede kullanlan en geerli yntem birim kk testidir 20 . Uygulamada en fazla kullanlan birim kk testleri Dickey Fuller (DF), Geniletilmi Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kk testleridir. Bu testlerin yan sra KPSS (Kwiatkowski-Phillips-SchmidtShin), ADF-GLS (Nokta Optimal) ve Ng-Perron birim kk testleri de kullanlmaktadr.
2.4.1. Dickey-Fuller (DF) Testi

Dickey Fuller (DF) yaklam; serinin birim kk ierdii (duraan olmad) bo hipotezine kar, birim kk iermedii (duraan olduu) alternatif hipotezine kar snamadr 21 . Bir zaman serisinin uzun dnemde sahip olduu zellik; deikenin bir
19 20

Johnston ve Dinardo, a.g.e, s. 221. Gujarati, a.g.e, s. 802. 21 R. I. D. Harris, Using Cointegration Analysis in Econometric Modelling, Londra, Printice Hall, 1995, s. 28.

48

nceki dnemde ald deerinin, bu dnemi nasl etkilediinin belirlenmesiyle ortaya karlabilir. Bu nedenle serinin nasl bir sreten geldiini anlamak iin, serinin her dnemde ald deerin daha nceki dnemlerdeki deerleriyle regresyonunun bulunmas gerekmektedir. Bu amala gelitirilen birim kk testi ile serilerin duraan olup olmadklar belirlenebilmektedir. Yt deikeninin bu dnemde ald deerin geen dnemdeki deeri olan Yt-1 ile ilikisi, Yt = Yt 1 + u t (2.6)

eklinde ifade edilir. Burada ut kalnt terimidir. Bu model birinci dereceden otoregresif AR(1) modelidir. Eer katsays bire eit bulunursa birim kk sorunu (duraan olmama durumu) ortaya kmaktadr ve model Yt = Yt 1 + u t (2.7)

eklini almaktadr. Bu bir nceki dnemde iktisadi deikenin deerinin ve dolaysyla o dnemde maruz kald okun olduu gibi sistemde kalmas anlamna gelir. Bu oklarn kalc nitelikte olmas serinin duraan olmamas ve zaman iinde gsterdii trendin stokastik olmas anlamna gelir. Eer katsays birden kk karsa, gemi dnemlerdeki oklar belli bir sre etkilerini srdrseler de, bu etki giderek azalacak ve ksa bir dnem sonra tamamen ortadan kalkacaktr 22 . (2.6) nolu denklem baka bir biimde u ekilde de yazlabilir: Yt = ( 1)Yt 1 + u t = Yt-1+ ut (2.8)

Yt = Yt Yt 1 dir. Bu durumda artk sfr hipotezi = 0 olarak tanmlanr. = 1 olduunda = 0 olacaktr ve bylece Yt = Yt Yt 1 = u t olacandan, Yt serisinin birinci farklar duraan olacaktr 23 . Denklem (2.6) ya gre H0: = 1 ve denklem (2.8) e gre H0 : = 0 olup, ilgili hipotezler duraan olmama durumunu ifade eder. Bunun iin uygulanan test DickeyFuller (DF) testidir. Bu testte bilinen t istatistii, (tau) istatistii (DF-test istatistii)
22 23

(2.9)

Tar, a.g.e, s. 393-394. Gujarati, a.g.e, s. 814.

49

olarak adlandrlr ve istatistiklerinin deerlendirilmesinde bilinen t testi yaplamaz (nk hesaplanan t deeri byk rneklerde bile t dalmna uymaz) 24 . Bu nedenle istatistii MacKinnon kritik deerleri ile karlatrlr. (tau) istatistiklerinin kritik deerleri Dickey ve Fuller tarafndan Monte Carlo benzetimleriyle tablolatrlmtr 25 . Eer istatistii mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden kkse, H0 hipotezi reddedilemez ve serinin duraan olmad (birim kk ierdii) sonucuna varlr 26 . Dickey-Fuller testinde kullanlan balca regresyon kalplar unlardr: Sabit terimsiz model Sabit terimli model Sabit terimli ve trendli model : Yt = Yt 1 + u t : Yt = 0 + Yt 1 + u t : Yt = 0 + 1t + Yt 1 + u t (2.10) (2.11) (2.12)

Burada t zaman ya da genel eilim deikenidir. Eer ut hata terimi ardk baml ise kullanlacak regresyon modeli aadaki gibidir:
Yt= 0+ 1t+ Yt-1+ i Yt i +ut
i =1 m

(2.13)

bu modele DF snamas uygulanrsa, buna Geniletilmi Dickey Fuller (ADF) snamas ad verilir 27 .

Dickey Fuller testinde kullanlan yukardaki model iin srasyla , ve

istatistikleri kullanlr 28 .
Birok iktisadi zaman serisi duraan srece sahip olmazlar, dolaysyla belli bir zaman srecinde stokastik (olaslkl) olarak deien trend etrafnda dalrlar. Byle srelerin 1. dereceden btnleik (entegre) olduu sylenir ki bu onlarn otoregresif yaplarnn bir birim kke sahip olduu anlamndadr. Bu eit duraan olmama durumu tm deikenlerin birinci farklarnn alnmasyla sklkla ortadan kaldrlr 29 . Bir serinin
Enders, a.g,e, s. 182. D.A. Dickey, W.A. Fuller, Distribution of the Estimators for Autoregressive Time Series With a Unit Root, Journal of the American Statistical Association, Say: 74, No. 366, (1979), s. 427-431. 26 Tmay Ertek, Ekonometriye Giri, stanbul, Beta Yaynlar, 1996, s. 387. 27 Gujarati, a.g.e, s. 817. 28 Enders, a.g,e, s. 182. 29 Bentzen Jan ve Engsted Tom, Short and Long Run Elasticities in Energy Demand: A Cointegration Approach, Institute Of Economics Aarhus School of Business, Say: 18, (1992), s. 2.
25 24

50

birinci fark duraan ise bu seriye birinci dereceden btnleik seri denir ve I(1) ile gsterilir. Eer seriyi duraan yapmak iin iki defa fark almak gerekiyorsa (yani farkn farkn almak gerekiyorsa) I(2) ve d fark almak gerekirse I(d) olarak yazlr. Bylece duraan olmayan bir seri farklar alnarak duraan hale getirilir 30 . Bir btnleik zaman serisi stokastik bir trende ya da bir birim kke sahiptir. Duraan olmayan btnleik seriler, zaman serilerindeki herhangi bir okun srekli olacann gstergesidir. Duraan seriler bir oktan sonra ortalamasna geri dner. Ancak btnleik zaman serileri uzun dnemde bile ok ncesi dzeylerine geri dnemezler 31 .

2.4.1.1. Snamas
Bir test istatistii ve uygun bir alternatif seerken, zaman serilerinin nitelii gz nne alnmaldr. Kesmesi olmayan Yt= Yt-1+ut

=1 olan AR(1) modeli iin, modelin her iki yanndan Yt-1

karldnda ve = -1 tanm yapldnda,

Yt= Yt-1+ut

(2.14)

olur. =1 ise yani birim kk varsa =0 olur. H0 : =0 Yt= Yt-1+ut ve seri I(1) H1 : <0 <1 DF snamasnda sabit terimsiz modelde, bo ve alternatif hipotezler bu ekilde olmaktadr. Alternatif hipotezin <0 olmas nedeniyle kritik deerler negatiftir 32 .
2.4.1.2. 1 ve Snamas Test statistikleri

Birim kk snamasnda ele alnan farkl modeldeki katsaylarn birlikte anlamllnn testine izin veren bir test olan testi, Dickey-Fuller tarafndan

30 31

Tar, a.g.e, s. 405. Patterson, a.g.e, s. 210. 32 Patterson, a.g.e, s. 227-228-229.

51

gelitirilmi olup, kstl ve kstsz modellerin karlatrlmasna ynelik bir F istatistiidir 33 .

testi iin geerli hipotez Yt= Yt-1+ut eklinde ifade edilmitir. Bu regresyon
kstlaycdr. nk hem bo hipotez hem de alternatif hipotez altnda Yt sfr ortalamaya sahiptir. Bu durum zellikle alternatif hipotez altnda kstlaycdr. nk duraan bir sre sk sk ortalamasn aadan ve yukardan kesmektedir. Dolaysyla

eer Yt nin ortalamas sfrdan farkl ise testi iin geerli regresyon Yt= Yt-1+ut
uygun bir balang noktas deildir. Geerli regresyon kesme ierecek ekilde geniletilmelidir. Bu ekilde alternatif hipotezin sfrdan farkl bir ortalamaya sahip olmasna olanak tannm olur 34 . Geerli regresyon yle olur, Yt= 0+ Yt-1+ ut Bu ifade yeniden
Yt= 0+ Yt-1+ut

(2.15)

(2.16)

eklinde yazlabilir. Burada = -1 olarak tanmlanr. Burada geerli regresyon alternatif hipotez altnda Yt nin sfrdan farkl bir ortalamaya sahip olmasna olanak tannm olur. nk <1 ise ut nin beklenen deeri sfra eitlendiinde, uzun dnemde Yt = 0 /(1 ) olacaktr. Bu ifade 0 0 olduunda sfrdan farkldr. Bu regresyon iin uygun bo hipotez 35 , H 0 : 0 = 0 ve = 0 olmaktadr. Bu bo hipotez altnda Yt pr rassal yry 36 tarafndan yaratlmaktadr, yani kayma yoktur. Dolaysyla Yt eit olaslkla pozitif veya negatif bir yry sergileyebilir. nceden yryn ne ynde olacan bilmek mmkn deildir. H 0 : 0 = 0 ve = 0
33 34

Hilal Bozkurt, Zaman Serileri Analizi, Bursa, Ekin Kitabevi, 2007, s. 37. Patterson, a.g.e, s. 230. 35 Patterson, a.g.e, s. 230. 36 Yt= 0+ Yt-1+ut idi. 0 = 0 ve = 0 olmas halinde Yt= ut yani Yt -Yt-1= ut . Bu ifade Yt =Yt-1+ ut yani pr rassal yry srecidir.

52

H 1 : 0 0 ve/veya 0
olacaktr 37 . Bu alternatif hipotez altnda olaslk sz konusudur:

H 1 : 0 0 ve 0 (duraan) H 1 : 0 0 ve = 0 (kayan rassal yry) 38 H 1 : 0 = 0 ve 0 (duraan)

Burada 0 = 0 ve = 0 ya da 0 0 / 0 = 0 ve <0 olarak beklenir. Gerekte kayan rassal yry biimsel olarak devre d braklmasa da = 0 iken 0 0 olmas beklenir. Aksi halde seride gzle grlr bir trend olacaktr ve bu durumda geerli olduu ileri srlen hipotez doru balang noktas olmayacaktr. DF 1 snamas kullanlarak birleik bo hipotez testi uygulanr. Eer bo hipotez ( H 0 : 0 = 0 ve = 0 ) reddedilmezse, 0 = 0 reddedilmemi olduundan kesme iermeyen en kstl modele (Yt= Yt-1+ut ) gemek mmkndr 39 .
2.4.1.3. 3 ve Snamas Test statistikleri

ve test istatistiklerinin alternatif hipotezlerindeki modeller ekonomik

zaman serilerinin tipik zellii olan trend davrann iermemektedir. ve iin
birim kkn alternatifi sras ile Yt= Yt-1+ut ve Yt= 0+ Yt-1+ ut de

<1 olmasdr.

Ancak bu modellerde trend yaratmak iin bir mekanizma yoktur; uzun dnemde Yt bir sabit say olan 0 /(1 ) a doru ynelme eilimindedir 40 . Eer verilerde trend varsa

ve geerli bir balang noktas deildir. Daha uygun geerli regresyon,

Yt= 0+ 1t+ Yt-1+ut
37 38

(2.17)

Bozkurt, a.g.e, s. 38. Pr rassal yry srecine kesme terimi eklenerek, Yt= 0 +Yt-1 + ut eklini alr. Burada 0 bir kayma

terimidir. ut nin belirli gereklemesi ne olursa olsun Yt-1 ile kyaslandnda Yt deki deime olacaktr. 39 Patterson, a.g.e, s. 232. 40 Patterson, a.g.e, s. 230.

0 kadar

53

olacaktr 41 . Burada = -1 dir. Bo hipotez,

H 0 : ( 0 , 1 , ) = ( 0 ,0,0)
eklinde yazlabilir. Bu sfr hipotezi, = 0 olmas nedeniyle birim kk vardr, 1 =0 olmas nedeniyle deterministik trend yoktur anlamna gelmektedir. Bu bo hipotez nedenden biri ile reddedilebilir:

H 1a : ( 0 , 1 , ) = ( 0 , 1 , ) birim kk yok, deterministik trend var. H 1b : ( 0 , 1 , ) = ( 0 , 1 ,0) birim kk ve deterministik trend var. H 1c : ( 0 , 1 , ) = ( 0 ,0, ) birim kk ve deterministik trend yok.
Bu ekilde alternatif hipotezlerden herhangi birinin doru olmas nedeniyle H 0 reddedilebilir. Bu alternatif hipotezlerden sadece biri birim kkldr.

H 1b : = 0 ve 1 0 . Bu hipoteze gre Yt= 0+ 1t + ut dir. Bu durum fark

entegre edildiinde Yt nin dzeyinin 0t cinsinden bir terim ve 1t 2 cinsinden bir terim ierecei anlamna gelir. Dzeyde bu durumun ortaya kmas pek muhtemel deildir. Geriye H 1a ve H 1c kalmaktadr. Bu iki alternatif hipotez birim kk reddetme asndan birbirine benzemekte ancak deterministik trend asndan birbirinden ayrlmaktadr.

H 1a da deterministik trend vardr, H 1c de deterministik trend yoktur. Eer serinin

zaman yolu grafiinden deterministik trend ierdii aka gzleniyorsa H 1c pek muhtemel deildir. nk H 1c de trend yaratacak bir mekanizma yoktur. Bu durumda bo hipotezi reddetmeye ynelik sadece H 1a kalmaktadr. Yani Yt deterministik bir trend etrafnda duraandr. Bir test istatistii ve uygun alternatif seimi yaplrken, serinin nitelii gz nne alnmaldr. rnein seride bir trend mevcutsa, uygun balama noktas kesme ve deterministik trend ieren geerli regresyon, 3 ve snamas test istatistikleridir. Seride aka bir trend yoksa ve alternatif hipotez altnda ortalama sfrdan farkl ise 1

41

Patterson, a.g.e, s. 233.

54

ve snamas test istatistikleri uygun balang noktasdr. Seride aka grnen bir

trend yok ve alternatif hipotez altnda ortalama sfr ise istatistikleri uygun balang
noktas olacaktr. Serilerin zaman yolu grafiine baklarak ve dzey ve birinci fark otokorelasyonlarnn grafii izilerek hangi test istatistii ve uygun alternatifin seileceine ekilsel olarak karar verilebilir 42 .
2.4.1.4. DF Testleri le Birleik Hipotez Testi

Dickey ve Fuller 43 almalarnda 0 , 1 ve parametrelerini birleik olarak test etmek iin geleneksel ekonometride Wald-F istatistii olarak bilinen aadaki test srecini nermitir:

F=

( SSRr SSRu ) / r SSRu /(T k )

(2.18)

Burada, SSRr kstl denklemin kalnt kareler toplam, SSRu kstsz denklemin kalnt kareler toplam, T gzlem says, k kstsz denklemdeki katsaylarn says, r kstlarn saysdr 44 .
2.4.2. Geniletilmi Dickey-Fuller (ADF) Testi

AR(p) sreci u ekilde ifade edildiinde,

Yt = + 1Yt 1 + 2Yt 2 + ... + p Yt p + t

(2.19)

verileri yaratan sre denklem (2.19) olmasna ramen AR(1) modeli,

Yt = + 1Yt 1 + vt
kullanlm ise, bu halde
vt = 2Yt 2 + ... + p Yt p + t

(2.20)

(2.21)

olacak ve vt ile vt-1 in k>1 iin otokorelasyonlar, gecikmeli Yt deerlerinin mevcudiyeti nedeniyle, sfrdan farkl olacaktr. Bu nedenle AR(1) modelinin uygun olup olmad konusunda, modelin kalntlarnn otokorelasyonu incelenerek yardm alnabilir. Sfrdan farkl otokorelasyonlar var ise AR modelinin derecesi arttrlabilir45 . Alternatif olarak
Patterson, a.g.e, s. 233-234. D.A Dickey ve W.A Fuller, Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root Econometica, Say: 49, (1981), s. 1057-1072. 44 Bozkurt, a.g.e, s. 37-38. 45 Patterson, a.g.e, s. 238-239.
43 42

55

modelde yer alan gecikmelerin istatistiksel anlamllklarna dayanan genelden zele yaklam kullanlmasdr. Bu yaklamda yksek bir gecikme derecesi belirlenerek kalntlarda sfrdan farkl otokorelasyon olmayncaya dek gecikme derecesi azaltlarak uygun model gelitirilebilir 46 . Literatrde gecikme uzunluunun belirlenmesinde eitli kriterler de kullanlmaktadr. Bunlardan en ok kullanlanlar, Akaike Bilgi Kriteri (AIC) ve Schwarz Bilgi Kriteri (SIC) dir. Bilgi kriterleri otoregresif gecikmenin derecesini belirlerken fonksiyonel biimdeki gecikmelerin saysn mmkn olduunca minimize etmeye almaktadr. Uygun gecikme says iin aadaki ifade kullanlr 47 : IC ( p) = T ln 2 ( p ) + p[ f (T )]

p=1,,p*

(2.22)

Burada, 2 ( p) , p gecikmede hesaplanan varyans deeri, p[ f (T )] modelin artan gecikmeleri iin ceza fonksiyonudur. f (T ) nin farkl seimleri farkl bilgi kriterlerini vermektedir. Akaike Bilgi Kriteri (AIC) iin f (T ) =2 alnrken, Schwarz Bilgi Kriteri (SIC) iin f (T ) =ln(T) alnmaktadr. Asimptotik olarak(T ) SIC bilgi kriteri, AIC bilgi kriterine gre daha doru sonular verir ancak sonlu rneklemlerde AIC bilgi kriteri ok sk bavurulan bir yntemdir.

p>1 olduunda AR(2) modeli ele alndnda, Yt = + 1Yt 1 + 2Yt 2 + t

Bu ifade (2.23)

Yt = + (1 + 2 )Yt 1 2 (Yt 1 Yt 2 ) + t
ile ayndr. Her iki taraftan Yt 1 karldnda, Yt = + Yt 1 + 1 Yt 1 + t

(2.24)

(2.25)

ifadesine ulalr. Burada = 1 + 2 1 ve 1 = 2 dir 48 . Buradan AR srecinin derecesi iki ise regresyon modeline Yt 1 teriminin eklenmesi gerektii sonucuna varlr. Standart DF modeli 1 katsayl Yt 1 ile geniletilmi tir 49 .

46 47

Sevktekin ve Nargeleekenler, a.g.e, s. 290-291. Patterson, a.g.e, s. 239. 48 Patterson, a.g.e, s. 240. 49 Gujarati, a.g.e, s. 817.

56

Genel olarak ADF(p) modeli, Yt = + Yt 1 + j Yt j + t

j =1 p

(2.26)

eklini alr. Modele deterministik trend ilave edildiinde, Yt = + Yt 1 + j Yt j + t + t

j =1 p

(2.27)

olur ve tm test prosedrleri ayn ekilde uygulanr 50 . Uygulamada en ok kullanlan birim kk testi Dickey-Fuller birim kk testidir. Ancak literatrde baka birim kk testleri de mevcuttur 51 .
2.4.3. Phillips-Perron (PP) Testi

Zaman serilerinin bir ounun duraan bir srece sahip olmamalar, birim kk hipotezini inceleyen istatistiki testlere olan ilgiyi arttrmtr 52 . Dickey-Fuller birim kk testi hata terimlerinin istatistiki olarak bamsz olduklarn ve sabit varyansa sahip olduklarn varsayar. Geniletilmi Dickey Fuller testi, modele gecikmeli deerler ekleyerek Dickey-Fuller testini otokorelasyon problemine kar dzeltmitir. Phillips-Perron birim kk testi ise hata teriminin zayf derecede baml olmasna ve heterojen olarak dalmasna izin vermektedir 53 . Bu sayede otokorelasyon sorunu ortaya kmamaktadr. Phillips ve Perron (1988) Dickey-Fuller n hata terimleri ile ilgili varsaymn geniletmilerdir. Bu durumu daha iyi anlamak iin u regresyonlar dikkate alnr 54 , yt = + yt 1 + u t ,
1 ~ ~ ~ ~ y t = + (t T ) + y t 1 + u t 2

(2.28)

Patterson, a.g.e, s. 240. Sevktekin ve Nargeleekenler, a.g.e, s. 304. 52 Bozkurt, a.g.e, s. 41. 53 Enders, a.g.e, s. 229. 54 Peter C. B. Phillips, Pierre Perron, Testing for a Unit Root in Time Series Regression, Biometrika, Say: 75, (1988), s. 335-346.
51

50

57

Burada T gzlem saysn ut hata terimlerinin dalmn gstermekte olup bu hata teriminin beklenen deeri sfra eittir (E(u)=0). Fakat burada hata terimleri arasnda isel balantnn (serial correlation) olmad veya homojenlik varsaym gerekli deildir. Phillips-Perron birim kk testi test istatistikleri Geniletili DickeyFuller (ADF) test istatistii iin kullanlan kritik tablo deerleri ile karlatrlarak sfr hipotezleri kabul veya reddedilir. Buna gre serilerin duraan olup olmadklarna ~ karar verilir. Phillips-Perron denklemlerdeki ve katsaylarnn testi iin test istatistiklerini oluturmulardr. Phillips ve Perron, katsaylarn y t = y t 1 + u t (2.29)

srecinde olutuu hakkndaki H0 hipotezini test etmek iin Dickey Fuller in istatistiinin gelitirilmi bir biimini retmilerdir 55 .
2.4.4. KPSS Testi

KPSS (Kwiatkowski-Phillips-Schmidt-Shin) testinde ama gzlenen serideki deterministik trendi arndrarak serinin duraan olmasn salamaktr 56 . Bu testte kurulan birim kk hipotezi ADF testinde kurulan hipotezlerden farkldr. Sfr hipotezi serinin duraan olduunu ve birim kk iermediini, buna karn alternatif hipotez ise seride birim kk olduunu ve duraan olmadn ima eder. Bo hipotezdeki duraanlk trend duraanlktr. nk seriler trendden arndrlmlardr. Trendden arndrlan seride birim kk olmamas, serinin trend duraanln gsterir. KPSS testinin en nemli zellii 1 veya daha byk bir MA yaps ieren serilerde ADF nin aksine gcnn azalmamasdr 57 . KPSS testi LMc testi ile benzer biimde belirlenmektedir58 . Dolaysyla LM istatistiinin oluumu nemlidir. LM testinde bo hipotez, rassal yryn sfr

A. Karun Nemliolu, Birim Kk Analizinin Temelleri, stanbul, Beir Kitabevi, 2005, s. 31. Denis Kwiatkowski & Peter C.B. Phillips & Peter Schmidt and Yongcheol Shin, 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?, Journal of Econometrics, Say: 54, (1992), s. 159-178. 57 Schwert G., Tests for Unit Roots: A Monte Carlo Investigation, Journal of Business and Economic Statistics, Say: 7, (1989), s. 147-159. 58 Patterson, a.g.e, s. 269.
56

55

58

varyansa sahip olduunu ve serinin deterministik trend, rassal yry ve duraan kalntlar toplamndan olutuunu ima eder,

Yt = t + wt + et wt = wt 1 + u t

(2.30) (2.31)

Burada wt modelin rassal yry, t deterministik trend, et duraan kalntlar (et ~ IIDN(0, e2 ) ve ut ~ IID(0, u2 ) gstermektedir. Duraanlk hipotezinde ut nin varyansnn sfr olduunu ( u2 =0) varsayar. KPSS test istatistiinin hesaplanabilmesi iin, seri regresyon yntemiyle deterministik trendden ve kesme teriminden arndrlarak bu denklemden elde edilen kalntlarn varyansnn sfra eit olup olmadn snayan u test istatistii hesaplanr:
= T 2 S t2 / s 2 (l )
t =1 T

(2.32)

Burada S t kalntlarn kmlatif toplam, s 2 (l ) kalntlar birbirleriyle korelasyonlu olabilecekleri iin tutarl bir uzun dnemli varyans tahmincisidir ve aadaki ekilde tanmlanr:
S t = et
t =1 T T

t=1,2,,T
l T

(2.33)

s 2 (l ) = T 1 et2 + 2T 1 w( s, l ) et et s
t =1 s =1 t = s +1

(2.34)

Burada w( s, l ) , Bartlett penceresidir ve u ekilde tanmlanr 59 :

w( s, l ) = 1 s /(l + 1)

(2.35)

59

Kwiatkowski and et. al, a.g.m, s. 164.

59

2.4.5. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kk Testi uygulanmas iin serilerde,

deterministik trend veya kesmenin olmas koulu aranmaktadr 60 . ADF-GLS (Genelletirilmi En Kk Kareler ADF) iin kullanlan model kalb,

y t = d t + yt 1 + t

(2.36)

Burada dt deterministik ksm ve t gzlenemeyen ancak ortalamas sfr varsaylan hata srecidir. ADF-GLS testi iin kurulacak hipotez,

: = 1 ~ H1 : = < 1 H
0

~ eklindedir. Burada =1+ c / T olarak hesaplanmaktadr. Seride kesme ve trend

gzleniyorsa c = -13,5 alnr. Seride sadece kesmenin olmas durumunda c = -7,0 alnmaktadr. ADF-GLS testi uygulanabilmesi iin serinin kesme ve trendden arndrlmas gerekmektedir. Trendden arndrma ilemi iin y td = y t ' z t olmak zere, burada zt =(1,t) olarak hesaplanmaktadr ( zt , 1 ler ve deterministik trendden oluan vektrdr). Seride trend yoksa sadece kesme varsa o zaman bu vektr zt =(1) olacaktr.
~ = y 'z yt t t

(2.37)

modeli OEKK (Olaan En Kk Kareler) yntemi ile tahmin edilir. Nokta Optimal testi,
2 PT = [S ( ) S (1)] / s AR

(2.38)

eklinde hesaplanr. Burada S ( ) kalnt kareleri toplam, S (1) , = 1 bo hipotezi tahmin edildikten sonra elde edilen kalnt kareleri toplamdr. ' yi bulabilmek iin ~ zerine ~ regrese edilmelidir. yt zt

G. Elliott, T. J. Rothenberg ve J. H. Stock, Efficient Tests for an Autoregressive Unit Root Econometrica, Say: 64, (1996), s. 813-836.

60

60

~ ve ~ yle tanmlanr, yt zt ~ ~ ( ~1 , ~2 ,..., ~t ) = ( y1 , (1 L) y 2 ,..., (1 L) y t ) y y y ~ ~ ( ~1 , ~2 ,..., ~t ) = ( z1 , (1 L) z 2 ,..., (1 L) z t ) z z z Trendden ve kesmeden arndrlm y td serisine standart ADF uygulanr 61 .
2.4.6. Ng-Perron Testi

(2.39) (2.40)

Ng-Perron birim kk testi, Phillips-Perron birim kk testinde ortaya kan hata teriminin hacmindeki arpkln dzeltilmesi iin gelitirilmitir 62 . PP testinde serilerde negatif hareketli ortalama yaps olduunda, byk oranda hata teriminde rneklem arpkl olmaktadr. DF testlerinde bu durum ok byk bir sorun yaratmamaktadr. Birim kk testleri otoregresif gecikme mertebesinin seimi ile alakaldr. Bunun yannda bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmaldr. NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 .
T

= (Yt d1 ) 2 / T 2
t =2

(2.41)

olmak zere,
d MZ = (T 1 (YTd ) 2 s 2 ) /( 2 )

MZ td = MZ MSB MSB d = ( / s 2 )1 / 2

(2.42)

Hesaplamada, ADF testi gibi bir regresyon denklemi kurulur:

y t = dt + 0 y t 1 + j y t j + etk
j =1

(2.43)

Elliott and et. al, a.g.m, s. 831. P. Perron ve S. Ng, Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties, The Review of Economic Studies, Say: 63, (1996), s. 435-463. 63 S. Ng ve P. Perron, Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power, Econometrica, Say: 69, (2001), s. 1519-1554.
62

61

61

Buradan,
(1) = i
1 k

(2.44)
e
T 2 tk

k2 = (T k ) 1

(2.45) (2.46)

t = k +1

s 2 = k2 /(1 (1)) 2

hesaplanr. Bu aamadan sonra test istatistikleri denklem (2.42) deki formllere gre bulunabilir. Ng-Perrron testinde kullanlan drdnc test MPTd testidir. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmi durumudur. MPTd seride sadece kesmenin ve kesme ve trendin birlikte olmas durumuna gre aadaki ekilde hesaplanr: (c 2 c T 1 (YTd ) 2 ) / s 2 MPTd = d 2 2 1 2 (c + (1 c )T (YT ) ) / s

xt = { } 1 xt = { , t } 1

ise ise
(2.47)

AIC ve SIC bilgi kriterlerini MA yaps gz nnde bulunduracak ekilde modifiye edilmitir. Modifiye edilen bu bilgi kriteri MIC olarak gsterilir ve aadaki formlle hesaplanr:

MIC (k ) = ln( k2 ) +
Burada,

CT ( T (k ) + k ) T k max

(2.48)

T (k ) = ( k2 ) 1 02 t =k max +1 yt21 ve
T

(2.49) (2.50)

2 k2 = (T k max ) 1 t =k max +1 etk

T

AIC kriterinin modifiye edilmi hali MAIC iin CT =2 ve SIC kriterinin modifiye edilmi hali MSIC iin CT =In(T-kmax) alnarak bulunur 64 .

64

Ng ve Perron, a.g.m, s. 1529.

62

NC BLM HRACATIN GAYR SAF MLL HASILA (GSMH) NDEK PAYI ZERNE UYGULAMA
Uygulamada Trkiye statistik Kurumu (TK) tarafndan yaynlanan statistik Gstergeler (1923-2006) de yer alan hracatn Gayri Safi Milli Hasla (GSMH) iindeki pay verileri kullanlmtr.
3.1. Uygulama Serisi

1990 ylnda balatlan almalarla GSMH hesaplar er aylk dnemler itibariyle hesaplanmaya balanm ve 1968 olan temel yl da 1987 ylna kaydrlmtr. Ayrca daha nce yaplan yllk hesaplamalara dahil edilemeyen baz maddeler ve ekonomik alt sektrlerde sisteme dahil edilmek suretiyle kapsam geniletilmitir. Bu almalarda TK in cari anketlerinden elde edilen kesin sonular, kurum ve kurululara ait kesin bte deerleri, 1968, 1973, 1979 ve 1985 input-output tablolarndan alnan teknik katsaylar ve 1987 ylnn gsterge ve arlklar kullanlmtr. Eski GSMH serisi yeni kapsama gre revize edilerek 1968 ylna kadar geriye dnk yeni bir seri elde edilmitir 1 . hracat bilgilerinde ise lke iinde retilen, imal ve istihra edilen mallardan yaplan ihracat kapsanmaktadr 2 .
3.2. Uygulamann Amac

1923-2006 yllar arasndaki ihracatn GSMH iindeki pay (%) verileri kullanlarak serinin duraanln incelemek ve duraanlk analizi sonucunda serinin nasl bir srele trediini gsteren zaman serisi modeli yardmyla serinin bir sonraki yla (2007 yl) ilikin alaca deeri ngrmektir.
1
2

TK, statistik Gstergeler 1923-2006, Ankara, Trkiye statistik Kurumu Matbaas, 2007, s.636. TK, a.g.e, s. 423.

63

3.3. Uygulamada Kullanlan Yntem

Serinin duraanlk analizi; korelogram testi ve literatrde en fazla kullanlan birim kk testleri ile yaplmtr. Duraanlk analizi sonrasnda zaman serisi modellemesinde en uygun ngr yntemi olan Box-Jenkins (BJ) yntemi kullanlarak 2007 yl ihracatn GSMH iindeki pay (%) verisi ngrlmeye allmtr. Seri, ekonometri paket program Eviews 5.1 yardmyla analiz edilmitir. Paket programa ilikin ayrntl bilgiler ekte verilmitir 3 .
Tablo 3.1 hracatn GSMH indeki Pay(%)
hracatn GSMH iindeki pay (%) 8.9 11.4 11.2 9.8 9.2 10.7 7.2 9 8.6 8.1 8.4 10 9.7 9.2 10 7.7 6.3 4.4 4 2.7 2.8 hracatn GSMH iindeki pay (%) 3.5 4 5.9 8.3 5.8 7.7 7.6 7.6 7.6 7.1 5.9 4.6 3.9 3.3 2 2.3 3.3 6.3 6 5 5.2 hracatn GSMH iindeki pay (%) 5.5 4.9 4.7 2.8 2.7 3.1 3.9 4 4.7 4 3 3.7 2.9 3.4 2.8 4.3 6.6 8.9 9.5 12.1 11.9 hracatn GSMH iindeki pay (%) 9.9 11.9 12.9 10.8 8.6 9.1 9.3 8.6 13.7 12.7 12.6 13.7 13.1 14.4 13.9 21.5 19.9 19.8 21.1 20.4 21.4

Yllar 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943

Yllar 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964

Yllar 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985

Yllar 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Kaynak: TK, statistik Gstergeler 1923-2006, s. 434-435.

Eviews 5.1 paket programna ilikin daha ayrntl bilgi Eviews 5.1 Users Guide, Quantitative Micro Software, LLC, 2005, USA.

64

Serileri olas deien varyans ve ksmen de otokorelasyona kar koruyabilmek iin logaritmik dnmleri alnmaktadr. Logaritmas alnan ihracatn GSMH iindeki pay (LIHR) serisinin grnm ekil 3.1 de yer almaktadr.

ekil 3.1 LIHR Serinin Zaman Yolu Grafii

84 gzlemden oluan logaritmik ihracatn GSMH iindeki pay (LIHR) verilerinin zaman yolu grafii ekil 3.1 dedir. Serinin zaman yolu grafii incelendiinde, verilerin belli bir ortalama etrafnda dalgalanmad ve bu yzden duraan olmad sylenebilir.

ekil 3.2 Birinci Fark Alnan LIHR Serinin Zaman Yolu Grafii

65

ekil 3.2 de birinci fark alnan LIHR serisinin zaman yolu grafii grlmektedir. Serinin birinci farklar alnnca belli bir ortalama etrafnda dalgaland ve duraan hale geldii sylenebilir.
3.4. LIHR Serisi in Duraanlk Analizi: Korelogram Testi

rneklem otokorelasyonlarnn (AC), ksmi korelasyonlarn (PAC) ve Q istatistiklerinin birlikte hesaplattrld zellikle k sayda gecikmenin serinin istatistiksel olarak anlaml bir katsay retip retmediini korelogram vastasyla takip etmek mmkndr.

ekil 3.3 LIHR Serisinin Korelogram

66

ekil 3.3 deki dikey izgiler %95 kabul blgesini gstermektedir. rneklem otokorelasyon fonksiyonu bu blgenin iinde olursa, istatistiksel bakmdan nemli bir anaktle otokorelasyon fonksiyonu yok; dna tayor ise var demektir 4 . Bu izgilerin oluturduu alan,
(t t .Se ACF (k ) ) ile hesaplanr. rneklem hacmi T=84 gzlemden olutuu iin

otokorelasyon katsaysnn standart hatas,

Se ACF (k ) =

1 84

1 = 0,109 9,165

Birinci gecikme iin hesaplanan otokorelasyon katsays iin hesaplanan t deeri,

tACF(1) =
eklinde

0,906 = 8,311 0,109 0,05 anlamllk dzeyinde kritik tablo

hesaplanr.

t t =1,96

ile

karlatrldnda tACF(1) = 8,311 > t t =1,96 olduundan bo hipotez reddedilir. Yani birinci gecikme iin hesaplanan otokorelasyon katsays istatistiksel olarak anlaml bulunmutur. ekil 3.3 de otokorelasyon katsaylar iin gven aralklar ise,
(t t .Se ACF (k ) ) = (1,96*0,109) = 0,213

olacaktr. Korelogramdan da aka grlecei gibi k=36 gecikme iin hesaplanan ACF(k) ve PACF(k) lar gven aralnn dna kt iin H0 hipotezi reddedilir. Yani anlaml bir otokorelasyon ve ksmi otokorelasyon olduuna karar verilir. O halde serinin duraan olmadn sylemek mmkndr. Logaritmik ihracatn GSMH iindeki pay (LIHR) verilerinin korelogram, otokorelasyon fonksiyonunun seilen 36 gecikme srecinde tahmin edilen veya hesaplanan deerini AC ile gsterilen stunda belirtir. Seri belirli bir ortalama etrafnda dalgalanmad iin, otokorelasyon fonksiyonunun korelogram yksek bir deerden balayp yava yava snmekte ve bu serinin duraan olmad fikrini vermektedir. AC stunu sfra ne kadar yaknsa sz konusu zaman serisi iin duraanlk veya temiz dizi olma zellii daha fazla arlk kazanr. statistiksel olarak anlaml otokorelasyonlarn varl olaslk (probability) stunundan grlmektedir. statistiksel olarak anlaml bu otokorelasyonlar serinin duraan dln yanstr. Ksmi otokorelasyon fonksiyonu
4

Tar, a.g.e, s. 391.

67

PAC ye bakldnda, k =1 iin Y ile Y-1 arasnda bir iliki (otokorelasyon) olduu grlmektedir. Bu durum, serinin duraan olmadna iaret etmektedir. Birinci fark alnan LIHR serisinin korelogram ekil 3.4 de verilmektedir. Burada istatistiki olarak anlaml otokorelasyonlarn kalmad, seride kalc bellein ortadan kalkt ve dolaysyla serinin duraan hale geldii grlmektedir.

ekil 3.4 Birinci Fark Alnan LIHR Serisinin Korelogram

68

3.5. LIHR Serisi in Duraanlk Analizi: Birim Kk Testi 3.5.1. LIHR Serisi in ADF Testi

Seride azalan ve artan bir trendin mevcut olduu dikkate alndnda uygun balang noktas kesme ve deterministik trend ieren regresyon ile 3 ve snamas test istatistikleridir.
3.5.1.1. LIHR Serisi in 3 ve Snamas Test statistikleri

Genelden zele yaklam kullanlarak baml deiken ( Lihr ) in 12. gecikmesine kadar olan tm gecikmelerini regresyon modeline dahil etmek suretiyle istatistiki olarak anlaml gecikme katsaysn buluncaya dek istatistiki olarak anlamsz gecikmelerin modelden dlanmas ile Tablo 3.2 elde edilmitir. Tablo 3.2 den baml deikenin 8. gecikmesinin %5 anlamllk dzeyinde istatistiki olarak anlaml olduu (p=0,02<0,05) grlmektedir. Dolaysyla nihai modelin baml deikenin 8. gecikmesini ierecek ekilde oluturulduunda elde edilecek kalntlarn serisel korelasyonlu olup olmadnn incelenmesi gerekmektedir.
Tablo 3.2 Trendli Model Sonular

69

Bu modelin kalntlarnda serisel korelasyonun varlnn test edilmesinde hipotezler,

H 0 : Serisel korelasyon yok

H 1 : Serisel korelasyon var.

Tablo 3.3 de verilen Breusch-Godfrey Serial Correlation LM test sonularna gre Obs*R-squared (gzlem says ile determinasyon katsaysnn arpm) deeri 7,966 karken p deeri 0,78 olmutur. Bu p deeri H 0 hipotezinin reddedilemeyeceini ve modelin kalntlarnda serisel korelasyonun olmadn gsterir.
Tablo 3.3 Trendli Model Kalntlarnn Serisel Korelasyon Testi

Tablo 3.4 LIHR Serisi in 3 Testi

Tablo 3.4 de elde edilen F istatistii (2,912), %5 anlamllk dzeyinde tablo deeri 5 ile karlatrldnda, 2,912 <6,606 olduu grlr. Bu sonu H 0 hipotezinin reddedilemeyeceini ve seride birim kkn varlna iaret eder.

H 0 = ( 0 , 1 , ) = ( 0 ,0,0) birim kk var H 1 = ( 0 , 1 , ) = ( 0 , 1 , ) birim kk yok, deterministik trend var.

3 testi sonucunda seride birim kkn ve stokastik trendin varl ortaya kmtr. Seride deterministik trendin var olup olmadn dorulamak iinse Tablo 3.2 deki trend

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

70

deikeninin t istatistii deeri (2,390) %5 anlamllk dzeyinde t tablo deeri 6 ile karlatrldnda 7 , 2,390<3,42 olduu grlr. Bu H 0 hipotezinin reddedilemeyecei ve seride deterministik trendin olmad anlamna gelir.

H 0 : 1 = 0 H 1 : 1 0
Tek yanl olduu iin daha gl olan testi yapldnda,

H0 = = 0 H1 = < 0
Burada bo ve alternatif hipotezler srasyla seride birim kkn var olduunu ve var olmadn ifade eder. istatistii mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden eitli anlamllk dzeylerinde kk olduunda H0 hipotezi reddedilemez ve serinin duraan olmad sonucuna varlr. Serinin fark alnarak ayn karlatrma yapldnda istatistii mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden eitli anlamllk dzeylerinde byk karsa, o zaman fark alnan say kadar serinin birim kk ierdii sonucuna varlr.
Tablo 3.5 LIHR Serisinin Dzey Deerleri in Testi

* MacKinnon (1996) tek tarafl olaslk deerleri

Bu t tablo deerleri standart t tablo deerleri deildir. Seride birim kkn varl nedeniyle karlatrmada standart t tablo deerleri kullanlmaz. 7 Patterson, a.g.e, s. 238.

71

Tablo 3.6 Birinci Fark Alnan LIHR Serisi in Testi

* MacKinnon (1996) tek tarafl olaslk deerleri Tablo 3.6 dan serinin birinci fark alndnda istatistiinin (-8,263) mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden %1, %5 ve %10 anlamllk dzeylerinde byk olmas nedeniyle serinin bir birim kk ierdii sonucuna varlr.
3.5.1.2. LIHR Serisi in 1 ve Snamas Test statistikleri

Deterministik trendin katsays anlamsz bulunduu iin 3 testi deterministik trendi dikkate almayan 1 testini uygulamann daha iyi olduunu ifade eder. 3 testi iin tahmin edilen modelden trendi drerek model tekrar tahmin edilir. Trendsiz modelin ka gecikmeli olacan belirlemek iin 3 testinde izlenen sre tekrar edilir. 12 gecikme ile balanarak ve anlamsz gecikmeleri drerek devam edildiinde tm gecikmeler dt ve nihai modelin Tablo 3.7 deki gibi olduu bulunur.
Tablo 3.7 Trendsiz Model Sonular

H 0 : Serisel korelasyon yok

H 1 : Serisel korelasyon var.

72

Geerli modelin kalntlarnda serisel korelasyon olup olmadnn anlalmas amacyla serisel korelasyon 12 gecikme ile uygulanmtr. Hesaplanan test istatistii; Obs*Rsquare=11,735 ve p=0,46 olduundan H 0 reddedilemez, serisel korelasyon yoktur.

H 0 : 0 = 0 ve = 0 (birim kk var) H 1 : 0 0 ve/veya 0 (birim kk yok)

Hipotezleri altnda 1 testi yapldnda;
Tablo 3.8 LIHR Serisi in 1 Testi

Tablo 3.8 de elde edilen F istatistii (0,857), %5 anlamllk dzeyinde tablo deeri ile karlatrldnda, 0,857 <4,740 olduu grlr. Bu sonu H 0 hipotezinin reddedilemeyeceini ve seride birim kkn varlna iaret eder.
8

0 kesme teriminin anlamlna bakldnda,

H0 : 0 = 0 H1 : 0 0
Tablo 3.7 deki kesme teriminin t istatistii deeri (1,308), %5 anlamllk dzeyinde t tablo deeri 9 ile karlatrldnda, 1,308<2,86 olduu grlr. Bu H 0 hipotezinin reddedilemeyecei ve kesme teriminin anlamsz olduu anlamna gelir.

8 9

Patterson, a.g.e, s. 231. Patterson, a.g.e, s. 238.

73

Tek yanl olduu iin daha gl olan testi yapldnda,

H 0 : = 0 (birim kk var) H 1 : < 0 (birim kk yok)

Tablo 3.9 LIHR Serisinin Dzey Deerleri iin Testi

Tablo 3.10 Birinci Fark Alnan LIHR Serisi in Testi

* MacKinnon (1996) tek tarafl olaslk deerleri Tablo 3.10 dan serinin birinci fark alndnda istatistiinin (-8,129) mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden %1, %5 ve %10 anlamllk dzeylerinde byk olmas nedeniyle serinin bir birim kk ierdii sonucuna varlr. Bo hipotez reddedilmedii iin 0 = 0 olduundan kesme iermeyen en kstl modele gemek mmkndr.
3.5.1.3. LIHR Serisi in Snamas Tablo 3.11 LIHR Serisinin Dzey Deerleri in Testi

* MacKinnon (1996) tek tarafl olaslk deerleri 74

Tablo 3.12 Birinci Fark Alnan LIHR Serisi in Testi

* MacKinnon (1996) tek tarafl olaslk deerleri Tablo 3.12 den serinin birinci fark alndnda istatistiinin (-8,172) mutlak deerce ( ) MacKinnon kritik deerinin mutlak deerinden %1, %5 ve %10 anlamllk dzeylerinde byk olmas nedeniyle serinin bir birim kk ierdii sonucuna varlr.
3.5.2. LIHR Serisi in Phillips-Perron (PP) Testi

Phillips-Perron (PP) birim kk testinde hipotezler aadaki gibidir. Burada H 0 bo hipotezi; seride birim kkn varln ve serinin duraan olmadn, H 1 alternatif hipotez ise; seride birim kkn olmadn ve serinin duraan olduunu ifade eder.

H 0 : = 0 (birim kk var) H 1 : < 0 (birim kk yok)

Tablo 3.13 Trend Deikenli PP Birim Kk Test Sonular

* MacKinnon (1996) tek tarafl olaslk deerleri PP test istatistii (-1,87), %1, %5 ve %10 anlamllk dzeylerinde kritik

deerlerle karlatrldnda, mutlak deerce kk olduu grlmektedir. Bu sonu

H 0 : = 0 bo hipotezinin reddedilemeyeceini ve seride birim kkn olduunu

dolaysyla serinin duraan olmadn gsterir. Ancak bu modelde yer alan trend deikeninin istatistiki olarak anlamsz olduu gz nne alnrsa modelden trend deikeninin karlmas gerektii anlalr.

75

Tablo 3.14 Trendsiz PP Birim Kk Test Sonular

* MacKinnon (1996) tek tarafl olaslk deerleri Tablo 3.14 Trendsiz PP birim kk test sonularndan PP test istatistii (-1,55), %1, %5 ve %10 anlamllk dzeylerinde kritik deerlerle karlatrldnda, mutlak deerce kk olduu grlmektedir. Buradan serinin birim kk ierdii ve duraan olmad grlr.
Tablo 3.15 Birinci Fark Alnan LIHR Serisi in PP Testi

* MacKinnon (1996) tek tarafl olaslk deerleri Tablo 3.15, birinci fark alnan LIHR serisinin duraan hale geldiini ifade etmektedir. nk PP test istatistii (-8,127), %1, %5 ve %10 anlamllk dzeylerinde kritik deerlerle karlatrldnda, test istatistiinin mutlak deerce kritik deerlerden byk olduu grlmektedir. Buradan serinin bir birim kk ierdii sonucuna varlr.
3.5.3 LIHR Serisi in KPSS Testi

KPSS birim kk testinde hipotezler aadaki gibidir. Burada H 0 bo hipotezi; seride birim kkn olmadn ve serinin duraan olduunu, H 1 alternatif hipotez ise; seride birim kkn varln ve serinin duraan olmadn ifade eder.

H 0 : Seri duraandr, birim kk yoktur

H 1 : Seri duraan deildir, birim kk vardr.

76

Tablo 3.16 LIHR Serinin Dzey Deerleri in KPSS Testi

Tablo 3.17 Birinci Fark Alnan LIHR Serisi in KPSS Testi

* Kwiatkowski-Phillips-Schmidt-Shin (1992, Tablo 1) Dzey deerleri iin yaplan KPSS birim kk test sonularn gsteren Tablo 3.16 ya gre; test istatistii (0,27), kritik deerlerden byk olduu iin H 0 reddedilir ve H 1 kabul edilir. Seri birim kk iermektedir ve duraan deildir. LIHR serisinin birinci fark alnarak yaplan KPSS testinin sonularn gsteren Tablo 3.17 ye gre; test istatistii (0,03), kritik deerlerden kk olduu iin H 0 reddedilemez ve birinci fark alnan serinin duraan olduu dolaysyla LIHR serisinin bir birim kk ierdii sonucuna ulalr.
3.5.4 LIHR Serisi in ADF-GLS (Nokta Optimal) Testi

ADF-GLS birim kk testinde hipotezler aadaki gibidir. Burada H 0 bo hipotezi; seride birim kkn varln ve serinin duraan olmadn, H 1 alternatif hipotez ise; seride birim kkn olmadn ve serinin duraan olduunu ifade eder.

H 0 : = 0 (birim kk var) H 1 : < 0 (birim kk yok)

77

Tablo 3.18 LIHR Serinin Dzey Deerleri in ADF-GLS Testi

Tablo 3.19 Birinci Fark Alnan LIHR Serisi in ADF-GLS Testi

* Elliott-Rothenberg- Stock (1996, Tablo 1) Tablo 3.18 de LIHR serisinin dzey deerleri iin ADF-GLS test istatistii (-1,53), %1, %5 ve %10 anlamllk dzeylerinde kritik deerlerle karlatrldnda, mutlak deerce kk olduu grlmektedir. Bu sonu H 0 : = 0 bo hipotezinin reddedilemeyeceini ve seride birim kkn olduunu dolaysyla serinin duraan olmadn gsterir. Tablo 3.19, birinci fark alnan LIHR serisinin duraan hale geldiini ifade etmektedir.
3.5.5 LIHR Serisi in Ng-Perron Testi

Ng-Perron birim kk testinde hipotezler aadaki gibidir. Burada H 0 bo hipotezi; seride birim kkn varln ve serinin duraan olmadn, H 1 alternatif hipotez ise; seride birim kkn olmadn ve serinin duraan olduunu ifade eder.

H 0 : Seri duraan deildir, birim kk vardr.

H 1 : Seri duraandr, birim kk yoktur

78

Tablo 3.20 LIHR Serinin Dzey Deerleri in Ng-Perron Testi

* Ng-Perron (2001, Tablo 1) Tablo 3.20 deki Ng-Perron test istatistiklerini MZa ve MZt stunlarndaki kritik deerlerle karlatrmak birim kk testi iin yeterlidir. Her iki stun iinde test istatistikleri, kritik deerlerden mutlak deerce kk olduu iin LIHR serisinin birim kknn olduu ve duraan olmad sonucuna varlr.
Tablo 3.21 Birinci Fark Alnan LIHR Serisi in Ng-Perron Testi

* Ng-Perron (2001, Tablo 1) Tablo 3.21 de birinci fark alnan LIHR serisi iin Ng- Perron testi sonular verilmektedir. Burada test istatistikleri, kritik deerlerden mutlak deerce byk olduu iin birinci fark alnan LIHR serisinin birim kknn olmad ve duraan olduu sonucuna varlr. Bu da seride bir birim kk olduunu gsterir.
3.6. LIHR Serisi in Box Jenkins (BJ) Yntemi 1. Aama: Belirlenme

Logaritmik ihracatn GSMH iindeki pay (LIHR) serisinin dzey deerleri ile duraan olmayp, birinci farklar ile duraan olduu yaplan korelogram ve birim kk testlerinden anlalmtr. Duraan I(1) LIHR serisinin AR ve MA durumunu aratrmak iin, LIHR serisinin ekil 3.3 deki korelogramna baklr. Korelogramdaki ACF grafii, otokorelasyon deerlerinin giderek azalan bir yapda olduunu gstermektedir. Bu durum modelde MA nn derecesinin sfr olduunu gstermitir yani seri hareketli

79

ortalamaya sahip deildir. Serinin PACF grafiine bakldnda ise birinci gecikme deerinin yksek olduu, ksmi otokorelasyon ubuklarnda sadece k =1 iin olan %95 araln dnda kald dier gecikmelerde ise giderek azald grlmektedir. Bu durum modelin tipik bir otoregresif yapda ve gecikmenin k =1 olduunu gsterir. Yani AR(1) durumu sz konusudur. Logaritmas alnm ihracatn GSMH iindeki pay serisinin duraanlatrlmas iin bir defa fark alndndan fark derecesinin d =1 olduu anlalmtr. Bylece serinin ARIMA(1,1,0) yapsna sahip olduuna karar verilmitir.
2. Aama: Tahmin

Bu aamada ncelikle tespit edilen modelin parametre tahminlerinin yaplmas gerekmektedir. Modelde AR ve MA nn derecelerine karar verildikten sonra modelde kullanlan parametre deerleri hesaplanr. Hesaplanan bu deerler modelde yerine yazlarak tahmin modeli oluturulur. Tahmin edilen model, lihrt = 0,007 + 0,102lihrt 1 + et olur.
3. Aama: Uygunluk Testi

(3.1)

Tahmin modelinin oluturulmasnn ardndan modelin kalntlarnn test edilmesi gerekir. Kalntlar beyaz grlt (temiz dizi) zelliini gsteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3.1) deki modelin uygunluuna karar verilir. Bunun iin hata terimlerinin korelogram incelenir. lgili korelogram ekil 3.5 de grlmektedir. Modelin uyum iyilii gstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) deerleri srasyla -0,132 ve -0,073 bulunmu olup, bu deerlerin sfra yakn olmalar da modelin uygun olduunun bir iaretidir.

80

ekil 3.5 ARIMA(1,1,0) Modeli Hata Terimlerinin Korelogram

Korelogram incelendiinde, otokorelasyon ve ksmi otokorelasyon ubuklarnn hepsinin %95 aral iinde kald grlecektir. Dolaysyla bu model uygundur ve ngr iin kullanlabilir.

81

Tablo 3.22 ARIMA(1,1,0) Model Kalntlarnn Serisel Korelasyon Testi

Modelin kalntlarnda serisel korelasyonun varlnn test edilmesinde hipotezler,

H 0 : Serisel korelasyon yok

H 1 : Serisel korelasyon var.

Breusch-Godfrey Serial Correlation LM test sonularn gsteren Tablo 3.22 ye gre Obs*R-squared (gzlem says ile determinasyon katsaysnn arpm) deeri 11,578 karken p deeri 0,48 olmutur. Bu p deeri H 0 hipotezinin reddedilemeyeceini ve modelin kalntlarnda serisel korelasyonun olmadn gsterir ( H 0 hipotezini kabul etme olasl; 0,48>0,05 olduu iin). Bu model ngr iin kullanlabilir.
4. Aama: ngr

1923-2006 dnemi verilerine dayal olarak tahmin edilen modeli kullanarak, 2007 yl iin ngr yaplabilir.
.6

.4

.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. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0.221000 0.171334 109.1055 0.896970 0.000000 0.813714 0.186286

.0

-.2

-.4

-.6 1930 1940 1950 1960 DLIHRF 1970 1980 2 S.E. 1990 2000

ekil 3.6 Modelin ngr Performans

ekil 3.6 dan grlecei gibi ngrnn iyiliini gsteren lt Theil eitsizlik katsays (Theil Inequality Coefficient) nn bir paras olan yan oran (Bias Proportion) dr. Bu deerin sfra yakn olmas ngrnn gerek seri ortalamasn izlemekte baarl 82

olduuna iaret eder 10 . Bunu grafiksel olarak grmek iin nraporlanan seri ile gerek serinin yan yana grafii izilebilir.
DLIHRF
.08 .06 .04 .02 .00 -.02 -.04 -.06 30 40 50 60 70 80 90 00 10
.8 .6 .4 .2 .0 -.2 -.4 -.6 30 40 50 60 70 80 90 00 10

DLIHR

ekil 3.7 ngr Serisi (DLIHRF) le Gerek Seri (DLIHR) Grafii

ekilden aka grld gibi n raporlar gerek serileri ngrebilmektedir. 2. Aamada tahmin edilen model kullanlarak 2007 yl iin ihracatn GSMH iindeki payn tahmin etmek mmkndr. Model yardmyla yaplacak ngrde baml deiken lihrt ( lihrt lihrt 1 ) olduu iin bulunacak deer 2007 yl deeri olmayp 2007 ile 2006 arasndaki farkn ngrs olacaktr. Eviews 5.1 paket program yardmyla bulunan 2007 yl deiim ngrs 0,011 olmutur. Bu deer LIHR (logaritmik ihracatn GSMH iindeki pay) serisinin 2006 yl deerine eklendiinde 3,063+0,011=3,074 (LIHRF) olarak bulunur. 3,074 deerinin logaritmik dnm yapldnda, ngr serisinin 2007 yl ihracatn GSMH iindeki payna ilikin ngrs %21,62 dir.

10

Pindyck ve Rubinfeld, a.g.e, s. 211.

83

SONU

Yaantsn srdrmek ve gelitirmek iin aileler, firmalar ve uluslar gelecee ynelik planlar yapmak zorundadrlar. Gnmzde var olan rekabetle ba edebilmek ve gelimeyi devam ettirebilmek iin firmalarn gnlk satlara, retime, yatrma ve pazarlamaya ilikin ileriye ynelik planlar yapmalar gereklidir. Devletler de gelecekteki gelirlerini ve giderlerini hesaplayabilmek iin planlar yapar. Olaylar ve aralarndaki ilikileri ngrmeksizin gelecee ilikin planlar yapmak mmkn olmaz. Tahminlerin yaplabilmesine olanak salayan verilerin elde edilmesinin en uygun yolu zaman serisi analizidir. ktisat ve iletme alanlarnda zaman serilerinin nem kazanmasnn sebebi, nceki dnemlere ait gzlemlerin incelenmesi ve ileriye dnk tahmin yapabilmenin mmkn olmasdr. Zaman serileri analizi, incelenen bir deikenin imdiki ve gemi dnemdeki gzlem deerlerini kullanarak sonraki dnemlerde alaca deerlerin hangi gven snrlar arasnda gerekleebileceini ortaya koymak iin yaplan almalardr. ok geni bir uygulama alanna sahip zaman serileri; istatistik ve ekonomi gibi bilim dallarnda geni bir uygulama alanna sahiptir. Zaman serisi, zaman iinde gzlenen lmlerin bir dizisidir. Gemi yllara ait verilere sahip olunduunda zaman serileri yardmyla bu verileri kullanarak gelecek yllar hakknda ngrde bulunulabilir. Zaman serileri, basit ekli ile bir regresyon modeline benzemesine ramen temel varsaymlarda birbirlerinden ayrlmaktadr. Bir regresyon modelinde bamsz deiken konumundaki deikenler zaman serilerinde baml deiken olarak karmza kar. Bu almada zaman serileri hakknda genel bilgiler verilerek, zaman serisi modelleme teknikleri anlatlarak modellemede nemli bir yere sahip olan duraanlk kavram zerinde durulmu ve duraanlkla ilgili testlere yer verilmitir. almada tek deikenli zaman serisi modelleri ile snrlandrlan dorusal zaman serisi modelleri otoregresif sre, hareketli ortalama sreci ve karma otoregresif 84

hareketli ortalama sre ile homojen duraan olmayan sre modelleri anlatlmaktadr. Ayrca otoregresif entegre (btnlemi) hareketli ortalama sreleri iin Box Jenkins model kurma sreci zerinde durulmutur. Zaman serisi analizinde baklmas gereken temel istatistiksel zellik, duraanlktr. nk birok istatistiksel model, orijinal veri retme srelerinin duraan olmas artn gerektirir. Gerek tek bir seriye ilikin ngrlerde, gerekse deikenler arasndaki ilikilerin tanmlanmasnda serilerin duraan olmalar art aranmaktadr. Bir zaman serisi modeli gelitirildiinde, elde edilen stokastik srecin zamana bal olarak deiip deimediinin bilinmesi gereklidir. Eer stokastik srecin nitelii zaman boyunca deiiyorsa yani seri duraan deilse, serinin gemi ve gelecek yapsn basit bir cebirsel modelle ifade etmek mmkn olmaz. Eer stokastik sre zaman boyunca sabitse yani seri duraan ise serinin gemi deerleri kullanlarak seriye ait sabit katsayl bir model elde etmek ve ngr yapmak mmkndr. Zaman serisi analizinde sre duraan deilse, veriler bir dnm yardmyla duraan hale getirilmeye allr. Bunun iin ilk adm olarak duraan olmayan bir zaman serisini duraan hale dntrecek dnmler hakknda bilgi sahibi olunmas gereklidir. En yaygn dnm almada bahsedildii gibi fark alma ilemidir. Bu yntemde seride ka tane birim kk varsa o kadar fark alma ilemi yaplr. Bir zaman serisini duraan hale getirmek iin fark alma ileminin kullanlmas Box-Jenkins tarafndan yaygn hale getirilmitir. Uygulamada Trkiye statistik Kurumu (TK) tarafndan yaynlanan istatistik gstergelerden olan Trkiye de ihracatn gayri safi milli hasla (GSMH) iindeki pay (%) 1923-2006 yllk deerleri kullanlmtr. Eviews 5.1 paket program yardmyla duraanlk analizi iin korelogram testi ve en ok kullanlan birim kk testleri olan Geniletilmi Dickey-Fuller (ADF), PhillipsPerron (PP), Kwiatkowski-Phillips-Schmidt-Shin (KPSS), ADF-GLS (Nokta Optimal) ve Ng-Perron birim kk testleri uygulanmtr. Bu testler sonucunda serinin dzey deerlerinin duraan olmad ancak birinci farklarnn duraan olduu yani serinin bir birim kk ierdii tespit edilmitir. Bu durum I(1) anlamna gelmektedir. Zaman serisi modellemesinde kullanlan ve uygun bir ngr yntemi olan BoxJenkins (BJ) yaklam ile lkemizdeki ihracatn GSMH iindeki pay serisi

85

modellenmeye allmtr. Yntem, serinin btnyle kendi gemi bilgisine dayanarak tahmin yapmaya yneliktir. Baarl bir tahmin iin yntemin safhalar uygulanarak verilere en uygun ARIMA veri retme sreci bulunmutur. Box Jenkins (BJ) yntemi kullanlarak serinin ARIMA(1,1,0) yapsnda olduu tespit edilmitir. p, d,

q deerleri tespit edilen bu modelin parametre tahminleri yaplarak modelin uygun olup
olmad test edilmitir. Seriye uygun olduu dnlen ARIMA(1,1,0) modeli hata terimlerinin (kalntlarnn) temiz dizi (beyaz grlt) olup olmad yani sabit bir ortalama ve varyansa sahip olup olmad aratrlm ve hata terimlerinin temiz dizi olduu yaplan korelogram testi ile grlmtr. Bylelikle ngr iin kurulan modelin doruluu desteklenmi olup uygunluk testi sonucunda tahmin modelinin ngr iin uygun olduu anlalmtr. ngr serisinin grafiine bakldnda da model seiminin doruluu grlmtr. Son aama olan ngr aamasnda, verilere en uygun bulunan zaman serisi modelinin nraporlamas yaplmtr. Bylece 2007 yl iin nraporlanan ihracatn gayri safi milli hasla (GSMH) iindeki pay % 21,62 olarak tahmin edilmitir.

86

KAYNAKLAR

AKD, Ylmaz, Zaman Serileri Analizi (Birim Kkler ve Kointegrasyon), Ankara, Baklar Kitabevi, 2003. BALTAGI, Badi H., A Companion to Theoretical Econometrics, UK, Blackwell Publishing, 2003. BALTAGI, Badi H., Econometrics, Berlin Heidelberg, Springer-Verlag, 2008. BENTZEN, Jan ve ENGSTED, Tom, Short and Long Run Elasticities in Energy Demand: A Cointegration Approach, Institute Of Economics Aarhus School
of Business, Say: 18, (1992), s. 2.

BOX, G. P. E., JENKINS, G. M., Time Series Analysis: Forecasting and

Control, San Francisco, Holden Day, 1976.

BOZKURT, Hilal, Zaman Serileri Analizi, Bursa, Ekin Kitabevi, 2007. CHATFIELD, Chris, The Analysis of Time Series: An Introduction, Newyork, Chapman and Hall, 1995. COCHRANE, John H., Time Series for Macroeconomics and Finance, USA, 1997. CREEL, Michael, Econometrics, Barcelona, Dept. Of Economics and Economic History, Barcelona, 2005. DELURGIO, S. A., Forecasting Principles and Applications, Newyork, Irwing McGraw-Hill,Comp.,1998.

87

DICKEY, D.A., FULLER, W.A., Distribution of the Estimators for Autoregressive Time Series With a Unit Root, Journal of the American
Statistical Association, Say: 74, No. 366, (1979), s. 427-431.

DICKEY, D.A., FULLER, W.A., Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root Econometica, Say: 49, 4, (1981), s.1057-1072. DICKEY, David A., BELL, William R., MILLER, Robert B., Unit Roots in Time Series Models: Tests and Implications The American Statistician, Say: 40, 1, (1986), s. 12-26. ELLIOTT, G., ROTHENBERG, T. J. ve STOCK, J. H., Efficient Tests for an Autoregressive Unit Root, Econometrica, Say: 64, (1996), s.813-836. ENDERS, Walter, Applied Econometrics Time Series, Newyork, John Wiley &Sons, 2004. ERTEK, Tmay, Ekonometriye Giri, stanbul, Beta Yaynlar, 1996. GRANGER, C. W .J., NEWBOLD P., Spurious Regressions in Econometrics,
Journal of Econometrics, Say: 2, (1974), s. 111-120.

GRIFFITHS, W. E., R. C. HILL ve G. G. JUDGE, Learning and Practicing

Econometrics, Newyork, John Wiley&Sons, 1993.

GUJARATI, Damodar N., Basic Econometrics, Newyork, The McGraw-Hill Comp., 2004. HARRIS, R. I. D., Using Cointegration Analysis in Econometric Modelling, Londra, Printice Hall, 1995. JOHNSTON, J. ve DINARDO, J., Econometric Methods, Newyork, McGrawHill International Edit, 1997. KUTLAR, Aziz, Uygulamal Ekonometri, Ankara, Nobel Yayn Datm, 2005.

88

KWIATKOWSKI, Denis & PHILLIPS, Peter C.B. & SCHMIDT Peter ve SHIN, Yongcheol, 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?, Journal of Econometrics, Say: 54, (1992), s. 159-178. MADDALA, G. S., Introduction to Econometrics, Newyork, Macmillan Publishing Company, 1992. MADDALA, G. S. ve KIM, I. M., Unit Root Cointegration and Structural
Change, Cambridge, Cambridge University Press, 1998.

NEMLOLU, A. Karun, Birim Kk Analizinin Temelleri, stanbul, Beir Kitabevi, 2005. NG, S. ve PERRON, P., Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power, Econometrica, 69, (2001), s.1519-1554. PATTERSON, Kerry, An Introduction to Applied Econometrics : A Time
Series Approach, Newyork, Great Britain, 2000.

PERRON, P. ve NG, S.,Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties The Review of
Economic Studies, Say: 63, (1996), s. 435-463.

PHILLIPS, Peter C. B., PERRON, Pierre, Testing for a Unit Root in Time Series Regression, Biometrika, Say: 75, No. 2, (1988), s. 335-346. PINDYCK, R. S., ve D.L. RUBINFELD, Singapore, Econometric Models and
Economic Forecasts, Irwin/ McGraw-Hill International Edit, 1998.

POLLOCK, D. S. G., A Handbook of Time Series Analysis Signal Processing

and Dynamics, USA, Academic Press, 1999.

SCHWERT, G., Tests for Unit Roots: A Monte Carlo Investigation, Journal
of Business and Economic Statistics, Say: 7, (1989), s. 147-159.

SERPER, zer, Uygulamal statistik 2, stanbul, Filiz Kitabevi, 1996. 89

SEVKTEKN, Mustafa ve NARGELEEKENLER, Mehmet, Zaman Serileri

Analizi, Ankara, Nobel Yayn Datm, 2005.

TARI, Recep, Ekonometri, stanbul, Avc Ofset, 2005. TERZ, H., Trkiyede Enflasyon ve Ekonomik Byme likisi (1924-2002),
Gazi niversitesi ktisadi ve dari Bilimler Fakltesi Dergisi, Say: 3, (2004),

Cilt: 6, s. 59-75. TSAY, Ruey, S. Analysis of Financial Time Series, USA, John Wiley &Sons, 2004. TK, statistik Gstergeler 1923-2006, Ankara, Trkiye statistik Kurumu Matbaas, 2007. WILLIAMS, Garnett, P., Chaos Theory Tamed, Washington DC, Joseph Henry Press, 1997.

90

EK- Eviews El Kitab

Bu almada zaman serisi analizlerine ilikin saysal zmlemeler ekonometri paket programlarndan Eviews 5.1 yardmyla yaplmtr. lgili program komutlar ve uygulamalar aadaki ekilde zetlenmitir.
Ekran 1.1 Program Alm Penceresi

Bir alma dosyas oluturmak iin, File (dosya) mensnden, new (yeni)-workfile (alma dosyas) seenei iaretlenir.

91

Ekran 1.2 Program Komutu Penceresi

alma dosyas olutur (workfile create) penceresinden verilerin skl, balang ve biti tarihleri girilir.

Ekran 1.3 Dosya Ama Penceresi

92

Ekran 1.4 Komut Satr le Dosya Ama Penceresi

alma dosyas oluturmann bir dier yolu ise komut satrna Create (olutur) komutu ile serinin balang ve biti tarihini girmektir.

Ekran 1.5 Veri Girme Penceresi

Veri girii hcrelere yaplr.

93

Ekran 1.6 Grafik izme Penceresi

View (grnm) mensnn altnda Graph (grafik) ile serinin grafii izilir.

Ekran 1.7 Yt ve Gecikmesi Yt-1 le lerlemesi Yt+1 Deikenlerinin Komut Penceresinden Oluturulmasn Gsteren Pencere

Yt deikeninin gecikmesi ve ilerlemesinin komut penceresinden oluturulmas

94

Ekran 1.8 Yt ve Gecikmesi Yt-1 le lerlemesi Yt+1 Deikenlerinin Seri Yarat Komutu le Oluturulmasn Gsteren Pencere

Quick (hzl) mensnden Generete Series (seri yarat) tklanarak kan bu pencereye seriyi oluturacak denklemin yazlmas suretiyle de bir seriden baka seriler de yaratmak mmkndr.

95

Ekran 1.9 Serinin Korelogramn izme Penceresi

Seri akken View (grnm) mensnn altndaki Correlogram tklarak korelogram penceresi alr.

Korelogramda serinin iermesi istenen gecikme says belirtilir.

Korelogram; serinin dzeyinde, birinci ve ikinci farklarnda izilir.

96

Ekran 1.10 Serinin Birim Kk Testlerini Uygulama Penceresi

Birim kk testlerinin seimi yaplr.

Bilgi kriteri seimi yaplr.

Dzey ve fark deerleri seilir.

Kesmeli, trendli ve kesmeli, kesmesiz seenekleri ile birim kk testi yaplr.

97

Ekran 1.11 Kalntlarn Serisel Korelasyon Testi Penceresi

Model kurulduktan sonra View (grnm) mensnn iinde, residual tests (kalnt testleri) in altnda Serial Correlation LM Testi seilir.

Ekran 1.12 Parametre Testleri Penceresi

Model kurulduktan sonra View (grnm) mensnn iinde, coefficient tests (parametre testleri) in altnda Wald Coefficient Restrictions Testi seilir.

98

Ekran 1.13 Testleri in Wald Testi

Wald Coefficient Restrictions testi tklandnda kan bu pencereye parametrelerin rnek ksmnda gsterildii gibi girii yaplr.

Ekran 1.14 Regresyon Denklemi Kurma Penceresi

Quick (hzl) mensnden Equation Estimation (denklem tahmini) penceresinden regresyon denklemi kurulabilir.

99

Ekran 1.15 ngr Penceresi

Model penceresinden forecast (ngr) tklanr. Forecast name (ngr ad) serinin adnn sonuna f eklenmi olarak gelir. Buradan ngr metodunun dinamik veya statik yntemlerden hangisi ile yaplaca seilir. Son olarak ngrnn rneklem aral (forecast sample) girilir.

100

ZGEM

1982 Kocaeli ili zmit ilesinde dodu. 1993 zmit Leyla Atakan lkokulunu bitirdi. 1996 zmit Ulugazi Ortaokulunu tamamlad. 1999 zmit Atlm Lisesini bitirdi. 2003 Uluda niversitesi ktisadi ve dari Bilimler Fakltesi, Ekonometri Blmnden mezun oldu. 2004 Trkiye statistik Kurumu Kars Blge Mdrlnde TK Uzman Yardmcs olarak grev yapmaya balad. 2006 Kafkas niversitesi Sosyal Bilimler Enstits letme Anabilim Dalnda Yksek Lisans snavn kazand.

101