P. 1
Zaman Serilerinde Duraganlik Analizi Ve Ihracatin Gsmh Icindeki Payi Uzerine Bir Uygulama Stationary Analysis in Time Series and an Application on Share in Gnp of Export

Zaman Serilerinde Duraganlik Analizi Ve Ihracatin Gsmh Icindeki Payi Uzerine Bir Uygulama Stationary Analysis in Time Series and an Application on Share in Gnp of Export

|Views: 374|Likes:
Yayınlayan: er2rule

More info:

Published by: er2rule on May 29, 2012
Telif Hakkı:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/22/2015

pdf

text

original

T.C.

KAFKAS ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ
İŞLETME ANABİLİM DALI

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

YÜKSEK LİSANS TEZİ

Muzaffer AKINCI

TEZ YÖNETİCİSİ Yrd. Doç. Dr. Cavit YEŞİLYURT

KARS–2008

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

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

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

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

Sosyal Bilimler Enstitüsü Müdürü

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

...........11..........................................................4........... 23 1....1....................11..1........... Trend Durağanlık ve Fark Durağanlık .2.........1.. 39 1..2..... Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) .. MA(1) Sürecinin Özellikleri ..... 20 1...........1....2........................1...... AR(2) Sürecinin Özellikleri .................1....................................................3.3.......10....................................................1..1... Otokovaryans ve Otokorelasyon ....4...........................3........ Korelasyonun İstatistiksel Anlamlılığı.........2.........1.4............1.....................................................11.................................4........ 34 1... 25 1........ Otoregresif Sürecin Derecesinin Belirlenmesi.. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF)............1) Sürecinin Özellikleri............. Durağanlık Analizi: Birim Kök Testi ..... 31 1........... 30 1.............................. MA(q) Sürecinin Özellikleri ...............4.................... Sahte (Spurious) Regresyon...... DF Testleri İle Birleşik Hipotez Testi............................................ 31 1.......................................1..................................2.2...................10.........2........................... Dickey-Fuller (DF) Testi........... Box Jenkins (BJ) Yöntemi .. 42 2............. Q İstatistikleri: Portmanteau Testleri .......................... 55 .11....11...........11.......4....... 53 2.........q) Sürecinin Özellikleri...................1 τ Sınaması..........4.3...... 19 1.... 37 1................ Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA)........ 44 2........11.11..................................................1.. Otoregresif Süreç (Autoregressive Process-AR) .............3...................... 47 2...11... 36 1...2..................4.....10............................................. 48 2..... 44 2.....1..... 48 ˆ 2.........................2... 45 2......... Zaman Serilerinde Durağanlık Analizi .......... ARMA(p.... Genişletilmiş Dickey-Fuller (ADF) Testi ....4.............10.........1.... AR(1) Sürecinin Özellikleri ... 51 2......4.11.......1.................1.. ARMA(1.............................. 32 1.................. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) ...........................11........ MA(2) Sürecinin Özellikleri ..........................11. AR(p) Sürecinin Özellikleri .........................3............... 23 1.................. 55 2...........................................3..... Durağanlık Analizi: Korelogram Testi....................3...... 24 1......................... Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı....................10..........1............................1..12....... 28 1....................................................................................... Hareketli Ortalama Süreci (Moving Average Process-MA).........2.....2............. 39 1..........4................. 24 1.....11.............................3.............................................. Φ 3 ve Sınaması τˆ β Test İstatistikleri.......... 51 2.......1......2...............11......... 22 1................................ Φ1 ve Sınaması τˆμ Test İstatistikleri .... Tek Değişkenli Zaman Serisi Modelleri . 33 1............... 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2...........

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

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

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

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

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

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

...........3 : Trendli Model Kalıntılarının Serisel Korelasyon Testi ............................. 74 Tablo 3....................... 75 Tablo 3................. Farkın Alınmasında Fark Denklemi Açılımı ............................12 : Birinci Farkı Alınan LIHR Serisi İçin τ Testi .............2 : Bir Değişkenin Geciktirilmesi ................ 41 Tablo 3........................................3 : Bir Değişkenin İlerletilmesi...4 : ACF ve PACF’ nin Teorik Davranışları ..........8 : LIHR Serisi İçin Φ1 Testi ................................... 14 Tablo 1........................................... 13 Tablo 1............. 69 Tablo 3............. ........................... 71 Tablo 3............................................................................................16 : LIHR Serisinin Düzey Değerleri İçin KPSS Testi ........ 72 Tablo 3.................................. 70 Tablo 3..11 : LIHR Serisinin Düzey Değerleri İçin τ Testi.......................... 75 Tablo 3..........6 : Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi ... 70 Tablo 3.7 : Trendsiz Model Sonuçları...5 : LIHR Serisinin Düzey Değerleri İçin τˆβ Testi .........13 : Trend Değişkenli PP Birim Kök Test Sonuçları...........................................1 : İhracatın GSMH İçindeki Payı (%) ............... 77 Tablo 3.......................... 74 ˆ Tablo 3..........4 : LIHR Serisi İçin Φ 3 Testi ....................................... 74 ˆ Tablo 3................................................... 72 Tablo 3...... 13 Tablo 1. 78 Tablo 3..........................14 : Trendsiz PP Birim Kök Test Sonuçları .................1 : n...9 : LIHR Serisinin Düzey Değerleri İçin τˆμ Testi ..................................................17 : Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi..... 77 Tablo 3........... 73 Tablo 3............................. 78 VI ........2 : Trendli Model Sonuçları................15 : Birinci Farkı Alınan LIHR Serisi İçin PP Testi...... 64 Tablo 3....................19 : Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi ................................................................................... 76 Tablo 3.........76 Tablo 3................18 : LIHR Serisinin Düzey Değerleri İçin ADF-GLS Testi .......TABLO LİSTESİ Sayfa No: Tablo 1.............................10 : Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi.

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

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

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

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

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

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

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

1 paket programı kullanılarak. 3 . Üçüncü bölümde ise Eviews 5. İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı (%) serisi üzerinde uygulama yapılacaktır.İkinci bölümde zaman serilerinin belirli sayıda gecikme için hesaplanan otokorelasyonların grafiksel analizi ve serilerin kabaca durağan olup olmadıkları hakkında bilgi sahibi olunmasına yardımcı olan korelogram testi ile formel birim kök testleri tanıtılacaktır.

Diğer bir yöntem ise gözlem yaparak ölçme işlemidir 2 . Newyork: Chapman and Hall. Örneğin değişik dönemlerde işletmenin satış analizlerinin yapılabilmesi için satış rakamlarının gözlenmesi. s. Zaman serisinde ilgilenilen özellik bir değişkendir. Zaman Serileri Analizi. Bu nedenle incelenen iktisadi ilişkide yer alan değişkenlerle ilgili verilerin derlenmesi modelin kuruluşu aşamasında önem kazanmaktadır. Veri sağlanamayan konularda amprik çalışmaların yapılması zordur. Bu değişken zaman içerisinde çeşitli nedenlere bağlı olarak farklı değerler alır. 1995. Örneğin istatistik yıllıklarından ihracat. Gelecekteki değişkenleri tahmin eden modeller geliştirdiği için zaman serisi analizi önemlidir 1 .BİRİNCİ BÖLÜM ZAMAN SERİLERİ Bir zaman serisi bir veya daha fazla zaman değişkenini kapsayan bir veri kümesidir. 1.1. döviz kuru. Zaman 1 Chris Chatfield. Nicel ve Nitel Veriler Sürekli sayılarla ifade edilen gözlemlerin oluşturduğu veriler nicel verilerdir. Enflasyon oranı. Nobel Yayın Dağıtım. 1. Ankara. 4-5. zaman sırasına konmuş veri kümesi olarak ifade edilebilir. 2 Mustafa Sevüktekin ve Mehmet Nargeleçekenler. faiz haddi. 2005. The Analysis of Time Series: An Introduction. 4 .2. s. Verilerin Temel Özellikleri Ekonometrik araştırmaların aşamalarından birisi ekonomik modeli oluşturan değişkenlerin sayılarla ifade edilebilir hale getirilmesidir. 1. Veri toplama yöntemlerinden birisi önceden toplanmış bilgileri kullanmaktır. Çalışma alanına ait bilgilerin sayısal ifadeleri verileri meydana getirir. Dolayısıyla zaman serisi. milli gelir gibi ekonomik göstergelere ait verilerin kullanılması. milli gelir gibi veriler nicel verilere birer örnektir.

2. s. 25. ±2.2. s.3. çeyrek yıllık (üç aylık).S. eğitim. T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson. a. Great Britain. 24.3…. Zaman serisi verileri günlük. T= {0. Eğer T indis kümesi T= {0. 4 Patterson. T bir indis kümesi olmak üzere. haftalık para arzı. Maddala. Eğer T indis kümesi T = R veya T= [0. Filiz Kitabevi. s. Newyork. Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi.g. Newyork. 289. 5 Özer Serper. 2000. 1992. Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir. aylık. 1996. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . mühendislik. T= [0. Aylık işsizlik.zaman sınırlı değerler alan veriler ise nitel verilerdir 3 . Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir. 525. bir zaman serisi {Xt : t Є T}şeklinde ifade edilir. haftalık. s. İstanbul. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır.3…}= N. işletmeyi. ±3…}= Z olarak alınabildiği gibi T = R. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . seriler zaman serilerine örnek gösterilebilir 6 . Macmillan Publishing Company.±1. yıllık ve daha uzun dönemli aralıklarla derlenir. Introduction to Econometrics.4. 6 G. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti. Uygulamalı İstatistik 2. günlük sipariş sayıları vb.1] gibi sürekli aralıklar da olabilir. 1. Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. Yatay Kesit. bireyi inceleyerek derlenen veriler yatay kesit verileridir. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır. 3 5 . An Introduction to Applied Econometrics : A Time Series Approach. Buradaki T indis kümesi genel olarak T= {1.1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir.1. 1. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir.}.e. Zaman serileri ekonomi.

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

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

1.e. Uzun Dönem Eğilimi (Trend) İktisadi faaliyetlerin her biri zaman içerisinde çeşitli faktörlerden etkilenir. a. Bu faktörlerin etkisiyle seride kısa dönemde ufak çaplı sapmalar olabilir. Konjonktürel hareketler düzensizdir ve periyodik değildir. 8 . a. Zaman serilerinde mevsimselliğin ortaya çıkışında hava şartları. s. fakat uzun dönemde ana eğilim sabittir. Sevüktekin ve Nargeleçekenler. Bir zaman serisindeki tekrarlanan döngüsel hareketlere mevsimsel dalgalanma denir 14 . Mevsimlik ( Seasonal) Dalgalanmalar Birçok zaman serisi belirli dönemlerde mevsimsel faktörlerin etkisi altındadır 13 . refah döneminden durgunluk dönemine ve durgunluk döneminden refah dönemine geçiş noktalarının analizi önem kazanmaktadır 16 . Bunun sonucunda üretim faaliyetlerinin trendi artış yönünde olur. 294. 16 Sevüktekin ve Nargeleçekenler. s.e.3. Konjonktürel kalıplar ile mevsimsel kalıplar arasında benzerlik olmasına rağmen mevsimsel hareketler nispeten daha düzenli ve periyodiktir. a.g. durgunluk dönemlerinde azalışlar olabilir.1.6.g. Konjonktürel hareketler içeren zaman serilerinin analizinde. a.6. 1. insan alışkanlıkları.g. 293.g. 14 Serper.g.e. Refah dönemlerinde ekonomik göstergelerde artış olurken. Mevsimlik dalgalanmalar döngüsel olduğu gibi aynı zamanda periyodiktir.1. 15. 12 13 Serper. s. s. 14. Zamanla nüfusun sürekli olarak artması kişi başına milli gelirin artmasına ve buna bağlı olarak hayat standardının yükselmesine neden olur.6. 15 Sevüktekin ve Nargeleçekenler. Konjonktürel (Cyclical) Dalgalanmalar Konjonktürel hareketler daha çok ekonominin veya sektörlerin refah ya da durgunluk dönemlerini içerir 15 . Yaz aylarında soğuk içecek satışlarının artması mevsimselliğe örnek gösterilebilir. resmi veya dini bayramlar gibi birçok faktör etkili olur.e. Zaman serisinin uzun dönemde belli bir yöne doğru gösterdiği eğilime trend denir 12 .e. a. 12.2. s. Çünkü dalgalanmaların uzunluğu yani iki maksimum veya iki minimum nokta arasındaki zaman aralığı hep aynıdır.

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

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

Ankara.. Uygulamalı Ekonometri.t 2 ile gösterilmiştir. s.9. s. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur.1.8) Chatfield.9. Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir. a. Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. 2005. γ kt = Cov(Yt . Y = f(t) .g. 67.. a..e. Nobel Yayın Dağıtım. beklenen değeri sıfır olan rassal kalıntılardır. bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 . Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir.2.. 252. bir rassal yürüyüş modelidir 25 . Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir. Bir zaman serisi değişkeni (Y). Fark denklemlerinin en basit şekli.7) Yt . hisse senedi fiyatlarının değerini ortaya koyan model stokastik bir fark denklemi temeline dayanır: Yt = Yt −1 + et veya Burada Yt − Yt −1 = et veya ΔYt = et (1. t’ nin bir fonksiyonu olarak tanımlansın.Zaman serisi modellemesinde kovaryanslar önemlidir. s. 25 Aziz Kutlar. Sevüktekin ve Nargeleçekenler. Fark Denklemleri Zaman serilerinin geleneksel kullanımı.6) olur 23 . t günündeki bir hisse senedi fiyatı et . 1. 1.g.T’ dir. Y = f(t) 23 24 (1. Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1. Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında.e. 29. t = 1. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır. 11 .

f(t*) yazılabilir. Yt-2 . Benzer şekilde k dönem ilerisi için farkı. Yt = f(t)’ in n. 12 . (1. Yt+k } ile tanımlanır.f(t+k-1) = Yt+k -Yt+k-1 (1.f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) . farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir. İkinci fark alma.g. Y’ nin t döneminden bir dönem ilerisi için farkı. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur. Y’ de böyle bir özel değer için Yt* olarak tanımlanır. Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) . Yt*+k .e. t* gibi herhangi bir özel değeri alırsa.Yt* = f(t*+k) .f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) .…. Ardışık 1.ilişkisinde eğer t. ∆Yt = f(t) . a. farklar.f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1. Yt+1.11) olur. Δ (ΔYt ) = Δ2Yt (1.9) (1.f(t*) yazılabilir. s.14) 26 Sevüktekin ve Nargeleçekenler.13) Bu durumda. Yt*+1 . Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 .…. Yani farkın farkı veya farkın karesidir. Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 .12) bir dizi şeklinde yazılabilir.Yt* = f(t*+1) .10) (1. fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. 69-70-71.

Patterson. 72. Analysis of Financial Time Series. 2004.2 Bir Değişkenin Geciktirilmesi t 1 2 3 4 5 6 7 8 9 10 Yt 10 12 13 14 15 17 20 22 23 25 Yt-1 10 12 13 14 15 17 20 22 23 (∆Yt) / Yt-1 2/10 1/12 1/13 1/14 2/15 3/17 2/20 1/22 2/23 27 28 Ruey S. 1. 32.g. a. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 .Tablo1. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir. USA. Tsay.e. gecikme için Yt-i alt imi kullanılarak geriye doğru.2. i. Gecikme ve ilerletme için L işlemcisi kullanılır 27 . benzer bir işlemle gerçekleştirilir. s.9. s. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 …. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler. Tablo 1.1 n. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi. 1 1 4 1 3 6 …. i. John Wiley &Sons. Zaman Serileri Analizi. 36. s. 13 .

L−2Yt = Yt + 2 (1.g. a. Patterson. s.e.g.15) olmaktadır.Bu oranlar 100 ile çarpılarak yüzde değerler biçiminde yorumlanabilir. Gecikme İşlemcisi Gecikme işlemcisi Li Yt = Yt −i şeklinde tanımlanır. a. Yt yi i dönem geciktirme ile aynı anlama gelir.3 Bir Değişkenin İlerletilmesi Yt 10 12 13 14 15 17 20 22 23 25 Yt+1 12 13 14 15 17 20 22 23 25 - 1. 34.9.17) anlamına gelir. 14 . s. Dolayısıyla Yt değişkenine uygulanan L’ nin pozitif bir kuvveti. Örneğin Yt için yıllık büyüme oranı t= 8 de (2/20) *100 = 10 yüzde 10 olarak ifade edilebilir. i negatif olduğunda işlem Yt nin i. Örneğin.e. 33. Daha çok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 .3. L1Yt = Yt −1 ve L4Yt = Yt − 4 (1. Tablo 1. i. 29 30 Patterson. ilerletmesi anlamına gelir 30 .16) Aynı zamanda L0Yt = Yt (1.

4. s.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır.18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır. Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir.24) (1. Gecikme işlemcisi kullanılarak p. dereceden bir denklem .. dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 . (1. 34. (1. L− i Yt = Yt +i (1. s. 34 Patterson. Gecikme işlemcisinin özellikleri 33 .g.9. a.Yani L0 . s.. (1. Bu p.e. 1. Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur. 108-109. Yt parantezine alarak bu ifade.g. a. a.)Yt = φ ( L)Yt (1. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 . 34. Patterson..22) 1. 34. − φ p Lp Yt şeklinde yazılabilir. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur. a.25) şeklinde yazılabilir. − φ p Yt − p (1. Bu tür 31 32 Patterson.e.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir.g.10. Yt − φ1Yt −1 − φ 2Yt − 2 − . L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 . • • Bir sabit değerin gecikmesi yine bir sabit değerdir..e.e..21) (1. s.g. 33 Sevüktekin ve Nargeleçekenler. Yt − φ1 LYt − φ 2 L2Yt − . 15 . (1 − φ1 L − φ 2 L2 .23) Gecikme işlemcisi L denkleme eklendiğinde..

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

Şekil 1. 25. Rubinfeld.e.3 Pozitif ve Negatif Kovaryanslar (a) Pozitif Kovaryans (b) Negatif Kovaryans Kaynak: Sevüktekin ve Nargeleçekenler.28) X ve Y gibi iki değişken gerçek anlamda bağımsız ise Cov ( X . 17 . Pindyck R. s. Eğer X’ in değeri ortalamasının üstünde fakat Y’ nin değeri ortalamasının altında ise ya da tersi durum söz konusu ise kovaryans negatif olacaktır 39 . 214. Eğer değişkenler arasında tam bir bağımsızlık varsa kovaryans yine sıfır çıkar. 42 Tsay. S. 41 Pindyck ve Rubinfeld. s.27) Eğilimsiz bir kovaryans ölçeğine ulaşabilmek için serbestlik derecesi dikkate alınır. Irwin/ McGraw-Hill International Edit. Benzer şekilde eğer iki değişken arasında ilişki yoksa ortalamadan sapmaların arasında da bir ilişki olmadığı anlamına gelir. 26. 1998.g.g. 214. 26.e.g. L. Econometric Models and Economic Forecasts. Kovaryans. Y ) = 1 N ∑(X i =1 N i − X )(Yi − Y ) (1. Cov ( X . a.e. Y ) = 0 olur 42 . Zaman Serileri Analizi. Bu ifade sezgisel olarak bir değişkenin değerindeki değişmenin diğer değişkenin değerindeki değişmelerle bir alakası olmadığını söyler. a. Dolayısıyla eğilimsiz kovaryans tahmincisi 41 . Fakat kovaryans ölçüsü değişkenler arasındaki değişimin bir ölçüsüdür. s. a. Y ) = 1 N ∑ ( X i − X )(Yi − Y ) N − 1 i =1 (1.Her iki değişken aynı zamanda onun ortalamasının altında ve üstünde yer alıyorsa kovaryans pozitif olacaktır. X ve Y değişkenlerinin ortalamaları civarındaki sapmaların aritmetik ortalamasını alarak yeniden tanımlandığında 40 .. s. Bu durumda 39 40 Sevüktekin ve Nargeleçekenler. s. Singapore. ve D. Cov ( X .

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

Delurgio. 59-60.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY .33) örneklem korelasyon katsayısı olan denklem (1. Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile. a.ve SY = ∑ (Y i − Y )2 N −1 (1. Herhangi iki değişken arasında hesaplanan korelasyon katsayısının istatistiksel olarak anlamlı olup olmadığını test edebilmek için aşağıdaki adımlar izlenir: • Hipotezler tanımlanır: H 0 = rxy = 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik yoktur. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1. Irwing McGraw-Hill Comp. 1. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır. s. birlikteliğin istatistiksel anlamlılığı. 48 47 19 .) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere.g.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır. 26. Denklem (1. A. 1998. Newyork.10.1.e.33) şeklinde hesaplanmaktadır. n−2 (1.35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld.1.31)’ de yerine yazılarak yeniden düzenlendiğinde 47 . s. S.32) ve (1. Forecasting Principles and Applications. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 .

s. Dept.e. a. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir. Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 . Yt + k ) = Cov(Yt . Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1.…. 130. Universitat Autonoma de Barcelona.e. Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir.g. Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır. a. Of Economics and Economic History.36) Sevüktekin ve Nargeleçekenler. Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1. ±1. Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. 51 Tsay.2. Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon. 26.10. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır.… Cov(Yt . Yt − k ) Cov (Yt .T k = 0. otokorelasyon olarak genelleştirilir 51 .g. Michael Creel. Yatay kesit verilerinde de karşılaşılabileceği gibi. genellikle zaman serilerinde rastlanılan bir durumdur 50 . Durağan stokastik süreç için k gecikmeli otokovaryans. Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir. ±2. s. 1. s. 2005.olur. Econometrics.2. 50 49 20 . • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt). Cov(Yt . 219.

Yt +k ) = σY σY t (1. John H. s. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir. a. k gecikmeli bir anakütle otokorelasyon fonksiyonunu.e. Yt + k ) = γ k Var (Yt ) = γ 0 (1. otokovaryans tanımından hareketle şöyle yazmak mümkündür. Yt + k ) σY 2 bu ifade. Yt Yt+1 .40) 52 53 Sevüktekin ve Nargeleçekenler.…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt . γk γ0 (1. Cov (Yt . modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . Cochrane.…Yt-1 .Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu.39) ρk = olarak bulunur 53 .38) O halde. 221. 21. otokovaryans/varyans olduğunu gösterir.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir. 21 . σY = σY t t +k (1. Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir. E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k . otokorelasyonun. Time Series for Macroeconomics and Finance. s.g. 1997. USA. Cov(Yt .

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

1. Φ kk = ρ (Yt .. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder. otokorelasyon (1.1. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 . s.. s.4.e.Yt −k +1 ) korelasyon katsayısıdır. Yt −2 . Yt − 2 . Kısmi otokorelasyonlar. 27. (1.44) t ACF ( k ) = hesaplanır. 1. 233. a. 23 . Yt −k / Yt −1 .46) Bu ifadeden görüldüğü gibi Φ kk .10. Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir. Sevüktekin ve Nargeleçekenler. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar.e. • ACF (k ) Se ACF ( k ) (1.10. diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. k .45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 .g. Burada SeACF(k). Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı Örneklem otokorelasyon katsayısının yaklaşık sıfır ortalamalı ve 1 / T standart sapmalı bir normal eğri ile örnekleme dağılımına sahip olduğu söylenebilir.. Kısmi otokorelasyonlar. 57 58 Tsay. Yt −1 .3.g. a. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. • Otokorelasyon katsayıları için test istatistiği..

et.49) Modelleme bu değişkenlerle ele alınacaktır.…) (1. s.…. Econometric Methods.2. j − Φ kk Φ k −1. 1997. et-2. 32. 60 Tsay.k-1 için (1. Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi. 59 24 . Newyork. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de. 204.g. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 . f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır. a. Yt = f(Yt-1.e.11.3.11. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır. McGraw-Hill International Edit. Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir. ρ j i =1 k −1 (1. bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur.1. k − j j=1. s. φ1 -1 ile +1 arasında değer aldığı varsayılan bilinmeyen parametre ve et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz bir hata terimidir 60 . ekonomik değişkenlerin gelecekteki değerlerini öngörmektir. et-1.…. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir. Yt = δ + φ1Yt −1 + et t = 1.47) Φ kj = Φ k −1. Bu denklem birinci derece otoregresif J. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır. ρ k −1 j =1 k −1 1 − ∑ Φ k −1 . Yt-2.T (1. 1. Dinardo.….Φ kk = ρ k − ∑ Φ k −1 . Johnston ve J.48) 1.2.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi.

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

52)’ yi δ = 0 varsayımı dikkate alınarak yeniden yazıldığında. Ortalamadaki bu tanımlama serinin varyansını ve kovaryansını etkilemez 67 . 528. 527.53) Bir zaman serisinin gözlenebilecek sonuçları Yt bütün dönemler için aynı olasılık yoğunluk fonksiyonuna sahipse. varyansı bütün dönemlerde aynı olmalıdır. Bu varsayımla seri ortalamadan sapmalar cinsinden tanımlanmış olur. a. a. AR(1) süreci için ortalama. s. varyans ve kovaryanslar. σ 2 ) (1.oluşturduğu veri üretme süreci rassal değişkenin geleceğini ele almıyorsa.g. AR(1) sürecinde Yt’ nin varyansını bulmak için. bu durumda örneklem verilerine dayanan öngörüler güvenilmez olur 64 . a.e.g. 26 . 126. Otoregresif parametrenin değeri | φ1 | < 1 ise süreç durağan olarak kabul edilir 66 . 127.e. a. Yt = φ1Yt −1 + et (1.54) sonucu elde edilir. E (Yt ) = E (δ + φ1Yt −1 + et ) E (Yt ) = E (δ + φ1Yt −1 ) + E (et ) E (Yt ) = E (δ + φ1Yt −1 ) (1. denklem (1. s. Yani ( Yt − μ )’ e ulaşılmış olur. Yt’ nin ortalaması μ = 0 olacaktır. Pindyck ve Rubinfeld. bu durumda Yt’ nin ortalaması. 67 Sevüktekin ve Nargeleçekenler. μ = δ + φ1 μ E (Yt ) = μ = δ /(1 − φ1 ) (1.g.g.55) 64 65 Sevüktekin ve Nargeleçekenler. s.e. Denklem (1. 66 Pindyck ve Rubinfeld. s.52)’ de sabit terim δ = 0 olduğu varsayıldığında. Yani E(Yt ) = E(Yt-1 ) =…= μ olur 65 .52) Denklemde Yt’ nin beklenen değeri alındığında. Yt = δ + φ1Yt −1 + et et ~ IID(0.e.

27 .olacaktır. 2 Cov (Yt −1 . Yt − k ) = φ1k σ Y k=0.1. a. İki tarafın varyansı alındığında . Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır. Dolayısıyla k gecikmeli kovaryanslar. Birer dönem gecikmeli kovaryans ise. 2 Var(Yt) = σ Y = Var (φ1Yt −1 + et ) = φ12Var (Yt −1 ) + Var (et ) 2 σ Y = φ12σ Y2 + σ e2 (Yt-1 ile et bağımsızdır) (1. Cov (Yt .… (1.58) sonucunu verir. s. Yt −1 ) = E [(Yt − E (Yt )(Yt −1 − E (Yt −1 )] = E (Yt Yt −1 ) E(Yt) = 0 olduğu için = E [(φ1Yt −1 + et )Yt −1 ] 2 = φ1 E (Yt −1 ) + E (et Yt −1 ) 2 = φ1σ Y (Yt-1 ile et bağımsızdır) (1. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1.2.57) Bu kovaryans bütün rassal değişkenler için aynıdır.g.60) 68 Tsay.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 .e. Buradan Yt’ nin varyansı. 2 γ k = Cov (Yt . Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (1. Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir.59) olarak hesaplanmaktadır. Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 . 34.

a. ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 . Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0.g. s. Yt − k ) = Cov(Yt .61) ile verilir 69 .11.g. a. Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 . 72 Pindyck ve Rubinfeld.e. 528.64) ile verilir 74 . s. AR(2) Sürecinin Özellikleri k = 1.1. 28 .… (1. Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır.g. s. Ayrıca k = 0 için ρ = 1 olacağı denklem (1. 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0. ±2.e.g.e. İkinci derece bir otoregresif süreç AR(2).… (1.63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . 530. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir. AR(1) süreci için otokorelasyon katsayısı. Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir. a.62)’ den görülmektedir. 71 Tsay. a. 529. Yt ile Yt-k arasındaki korelasyon. 65.2.62) ile hesaplanmaktadır 71 . σ 2 ) (1. 209. a.g. 69 70 Pindyck ve Rubinfeld. s. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir. 74 Pindyck ve Rubinfeld.… (1. 1.1. Cor (Yt . s. a. s. 26. Patterson. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0. 73 Johnston ve Dinardo.e.k gecikmeli otokovaryans katsayısı. ±1.2. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir.e.g.e.2.

e. 210.g.e. s.φ1 < 1 φ2 <1 koşulları sağlanmalıdır 76 . a.68) γ 2 = φ1γ 1 + φ 2 γ 0 ve k≥2 için genel olarak yazılacak olursa. Yt’ nin varyansı ve kovaryansı. a. E (Yt − k Yt ) = E [Yt − k (φ1Yt −1 + φ 2Yt − 2 + et )] (1. δ = μ = 0 olduğunu varsayarak. Johnston ve Dinardo. 530. φ1 + φ2 < 1 φ2 .65) veya E (Yt ) = μ = δ /(1 − φ1 − φ 2 ) (1.69) γ k = φ1γ k −1 + φ 2 γ k −2 (1. E (Yt ) = E (δ + φ1Yt −1 + φ 2Yt − 2 + et ) E (Yt ) = δ + φ1 μ + φ 2 μ (1.67) γ 1 = φ1γ 0 + φ 2 γ 1 E (Yt − 2Yt ) = E [Yt − 2 (φ1Yt −1 + φ 2Yt − 2 + et )] (1. s.g. E (Yt 2 ) = E [Yt (φ1Yt −1 + φ 2Yt − 2 + et )] γ 0 = φ1γ 1 + φ 2 γ 2 + σ e2 E (Yt −1Yt ) = E [Yt −1 (φ1Yt −1 + φ 2Yt − 2 + et )] (1. 29 .AR(2) sürecinde zaman serisi Yt’ nin ortalaması.70) 75 76 Pindyck ve Rubinfeld. AR(2) sürecinin durağan olması için.66) yazılır 75 .

Denklem (1. 30 .72) 1.73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır. Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1. s.… (1.3. (1. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur. = E (Yt − p ) = μ olur. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1.. modellerin sağ tarafında yer alan değişkenler açısından fark vardır. 531. a. AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın. (1. 136. Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir. Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur.68). AR(2) süreci için otokorelasyon fonksiyonu (ACF). Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 .67).g. a. γ0 = bulunur 77 .e. s.73) Denklem (1.e. Pindyck ve Rubinfeld. s. 4. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = .g.73) ile geleneksel model [Yt = E (Yt ) + et ] arasında.. + φ p Yt − p + et (1. Denklem (1..11. 531.e.71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır. a. k = 3.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır. 79 Sevüktekin ve Nargeleçekenler. 77 78 Pindyck ve Rubinfeld. Genel olarak AR(p) süreci.69) eşanlı olarak çözüldüğünde.1.g. ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 ..

s..11. 1. s. Kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı. 82 Tsay.75) Burada korelasyonsuz rassal hata terimi et ortalaması sıfır ve sabit bir varyansa 80 81 Tsay.e. Hareketli Ortalama Süreci (Moving Average Process-MA) Hareketli ortalama süreci bir zaman serisinin t dönemindeki değerini. a..g.g. 83 Pindyck ve Rubinfeld. 522..11.2. μ = δ + φ1 μ + φ 2 μ + .4. 211-212. s. diğer gecikmelerin etkisi sabit kalmak koşuluyla Yt ile herhangi bir k gecikmesinde oluşturulan Yt-k gözlemleri arasındaki korelasyon anlamına gelir.. 31 .. 41.1.e.O halde ortalama.g. Yt üzerinde etkili olan gecikmelerde kısmi otokorelasyon katsayısının sıfırdan farklı yani istatistiki olarak anlamlı olması gerekir. − φ p ) olur 80 . a.g. a. Yt = μ + et + θ1et −1 + θ 2 et − 2 + .e.e. diğerleri için sıfırdan farklı değilse süreç AR(1) sürecidir. 1. + φ p μ μ = δ /(1 − φ1 − φ 2 − . Aynı şekilde kısmi otokorelasyon katsayıları iki gecikme için sıfırdan farklı. s. diğerleri için sıfırdan farklı değilse süreç AR(2) sürecidir. Johnston ve Dinardo.74) Otoregresif sürecin derecesinin belirlenmesinde kısmi otokorelasyon fonksiyonu kullanılır 81 . p gecikmeden sonra anlamsız ise sürecin derecesinin p olduğu söylenir 82 . Kısmi otokorelasyon katsayıları bir gecikme için sıfırdan farklı. Kısmi otokorelasyon katsayısı. Otoregresif Sürecin Derecesinin Belirlenmesi (1.. hata payının cari ve geçmiş dönem değerlerinin ağırlıklı ortalaması ile ifade eden bir süreçtir 83 . 39. Genel olarak MA(q) süreci. + θ q et − q (1. a.

85 Tsay. G.75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır.79) γ2 = 0 k sayıda gecikme dikkate alındığında. Cov(Yt .78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise. Pollock. Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1.1.2. 84 32 .76) sürecin ortalaması. Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1.g.…. 1999. Academic Press. Cov(Yt .11. Yt = μ + et + θ1et −1 (1. Denklem (1. 51. 1. Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans. a. Cov(Yt . s.e.2. Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . θ i (i=1. A Handbook of Time Series Analysis Signal Processing and Dynamics.80) D. MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir. USA. Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1. E (Yt ) = μ (1. S.sahiptir 84 .77) sürecin varyansı 85 . 517. Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt .q) bilinmeyen parametrelerdir. s.

83) ile ifade edilir 89 . MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 . 524.e. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması. Hill ve Judge.83) (1. Cov(Yt .e. s.g. MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1. 655. a. ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1.e.81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1. Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1.11. Bu durumda MA(1) sürecinin yalnızca bir dönemlik bir belleğe sahip olduğu yani Yt’ nin yalnızca Yt −1 ve Yt+1 ile korelasyonlu olduğu söylenir.g. 88 Pindyck ve Rubinfeld. 89 Pindyck ve Rubinfeld. Diğer verilerle herhangi bir korelasyon yoktur 86 .84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise.2. a.e. s.2. a.82) k 〉1 1.g. s. a.g. 524.85) Pindyck ve Rubinfeld. E (Yt ) = μ sürecin varyansı. MA(1) sürecinin otokorelasyon fonksiyonu 88 .γk = 0 (1. Griffiths. s. 524. 33 .

Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir. (1. 144-145.g. Yt − k ) = γ k = 0 olur 90 . Cov(Yt .87) γ3 = 0 O halde k dönem gecikmeli kovaryans. MA(2) sürecinin otokorelasyon fonksiyonu ise.88) (1.2.e. a.92) ρk = 0 bulunur 91 .11.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1. varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir. 524.3.90) (1.91) (1. Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1. Cov(Yt . 1. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1. a. 34 .e. Pindyck ve Rubinfeld.g. Cov(Yt . s. 90 91 Sevüktekin ve Nargeleçekenler.γ 1 = θ 1σ e2 + θ 1θ 2σ e2 = σ e2 (θ 1 + θ 1θ 2 ) Yt ile Yt-2 arasındaki kovaryans ise.86) γ 2 = θ 2σ e2 Yt ile Yt-3 arasındaki kovaryans ise. MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması. s.

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

q (1.... 96 Bir süreç zayıf veya kovaryans durağan ise.97) MA(2) sürecindeki denklem (1. 97 Sevüktekin ve Nargeleçekenler.e. a.. (1. + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1.86) ve (1. γ 0 = σ e2 (1 + θ12 + θ 22 ) γ 1 = σ e2 (θ 1 + θ 1θ 2 ) γ 2 = θ 2σ e2 γ 3 = γ 4 = . 1.g..98) (θ 1 ....2..Bu durumda. q k〉q (1.. Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA) Amprik çalışmalarda araştırmacının karşılaştığı durumlardan birisi veri üretme sürecini teşhis etmek ve sonrasında zaman serisi verilerinin gerçekleşmelerini kullanarak karşılık gelen istatistiksel modeli tanımlamaktır.. 527.... = 0 (1..99) k〉q olur 97 . MA(q) süreci için otokorelasyon fonksiyonu.. ⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + .. ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + . 98 Pindyck ve Rubinfeld.11.. 36 . θ q ) ’ nun herhangi bir değeri için MA(q) süreci kovaryans durağan 96 olarak ifade edilir. + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + .85).87)’ de ifade edildiği gibi. θ 2 . Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 . + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 1. s. s.2.. gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır.g. Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır.e. 148. Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil. a.3..

101) Bu sonuç ayrıca durağanlık için gerekli koşulu da belirtir. 535.100)’ ün beklenen değeri alındığında.. 535. hata terimi et. a. ve q.e. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileşenlerini aynı anda içerebilir. + θ q et − q (1..1) Sürecinin Özellikleri (1.102) En basit karma otoregresif hareketli ortalama süreci ARMA(1. γ 0 = Var (Yt ) = E (Yt − μ ) 2 99 100 Pindyck ve Rubinfeld.. Yt’ nin ortalaması. 1..q) olarak tanımlanır ve şu şekilde gösterilir 99 . Denklem (1. + φ p Yt − p + et + θ 1et −1 + . dereceden olmak üzere ARMA(p. Yt = δ + φ1Yt −1 + et + θ1et −1 (1.. s. Başka bir ifadeyle zaman serisi modeli hem AR. s. a. ARMA(1. Yani.. Yt = δ + φ1Yt −1 + . − φ p ) (1..e. + θ q 0 μ= δ (1 − φ1 − .g. φ1 + φ 2 + .1)’ dir.3. hem de MA bileşenleri p. + φ p μ + 0 + θ 1 0 + . E(et) = 0 ve Var (et ) = σ e2 ile korelasyonsuz rassal değişkenlerdir (Süreç durağan ise ortalama μ ’ ye eşittir). E (Yt ) = μ = δ + φ1 μ + ...g. + φ p 〈1 koşulunun sağlanması gerekir 100 .11.Bir model için hesaplanan otokorelasyonlar ( ρ k ) ileri gecikmelerde sıfıra doğru bir azalma gösterir ancak kısmi otokorelasyonların hesaplanmasında çok kısa süreli gecikmelerde kesilme oluyorsa otoregresif sürecin daha baskın olduğu söylenir.1.103) Eğer δ = 0 ise özdeş olarak seri Yt ortalamadan sapma formunda ise sürecin varyansı. 37 ....100) Burada kesme terimi δ . Pindyck ve Rubinfeld. Bir zaman serisi verileri için hem otokorelasyon hem de kısmi otokorelasyon fonksiyonları belirli bir gecikmede kesilmeyerek sıfıra doğru çok yavaş hareket edebilir.

a. s. γ 2 .107) γ k = φ1γ k −1 k≥2 Otokorelasyon fonksiyonu.106) (1.. γ k sırasıyla. γ 1 = E (Yt −1Yt ) = E[Yt −1 (φ1Yt −1 + et + θ1et −1 )] ⎛ (1 + φ1θ1 )(φ1 + θ1 ) ⎞ 2 ⎟σ e =⎜ ⎜ ⎟ 1 − φ12 ⎝ ⎠ = φ1γ 0 + θ 1σ e2 (1. γ 0 (1 − φ12 ) = σ e2 (1 + θ 12 − 2φ1θ 1 ) ve φ1 < 1 ise varyans. Kovaryanslar ise γ 1 . Bu ifade de et-1.g.e. E (Yt −1et −1 ) = E [(φ1Yt − 2 + et −1 + θ1et − 2 )et −1 ] = E (et2−1 ) = σ e2 ile tanımlanır. 535.e. 101 102 Pindyck ve Rubinfeld..104) elde edilir 101 . 536. ρ1 = γ 1 (1 + φ1θ1 )(φ1 + θ1 ) = γ0 (1 + θ12 + 2φ1θ1 ) k≥2 (1.109) ρ k = γ k / γ 0 = φ1 ρ k −1 olur 102 . s. Yukarıdaki ifade düzenlendiğinde.105) γ 2 = E (Yt − 2Yt ) = E [(Yt − 2 (φ1Yt −1 + et + θ1et −1 )] = φ1γ 1 ve (1. a.. Yt-2 veya et-2 ile korelasyonlu değildir. γ0 = (1 + θ12 − 2φ1θ1 ) 2 σe (1 − φ12 ) (1.. 38 .γ 0 = E (φ1Yt −1 + e t +θ1et −1 ) 2 = φ12 γ 0 + 2φ1θ1 E (Yt −1et −1 ) + σ e2 + θ12σ e2 Bu ifade de. Pindyck ve Rubinfeld.108) (1.g.

112) şeklindedir. + φ p γ k − p Otokorelasyon fonksiyonu.4. Ancak gerçek hayattaki zaman serilerinin çoğu zaman boyunca değişen belirli bir stokastik sürecin özelliklerini taşıması nedeniyle durağan değildir 104 . 1. Genel ifadesi. 39 .g. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) Seriler durağan sürece sahip olduğu varsayımından hareketle AR.1) süreci AR ve MA bileşenlerinin bir kombinasyonudur. Burada ∆d entegrasyon işlemi anlamına gelir 105 . ARMA(p. MA süreci bir dönemlik belleğe sahip olduğu için. d=1 için.. Böyle zaman serilerine entegre süreç adı verilir. + φ p Yt − p + ∆d Yt + et + θ 1et −1 + .e. 537.11.q) Sürecinin Özellikleri Daha yüksek dereceden süreçler için..g. ∆Yt = Yt . s. 105 Johnston ve Dinardo. γ k = φ1γ k −1 + φ 2 γ k − 2 + . k ≥ q+1 (1. Yt = φ1Yt −1 + . k ≥ q+1 için otokorelasyon fonksiyonu ve kovaryansları pür otoregresif sürecin özelliklerini gösterir 103 .113) Pindyck ve Rubinfeld. a. s. 228.11.e.110) ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 + . bir gecikmeden sonra AR bileşeninin etkisiyle otokorelasyon fonksiyonu azalan bir davranış sergiler. s.. MA ve ARMA süreçleri yukarıda ifade edilmiştir..g.. q sürecin hareketli ortalama kısmının belleğidir. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA sürecinin özelliklerini birlikte gösterir..111) ile gösterilebilir.ARMA(1.3. 538..Yt-1 103 104 (1. a. Pindyck ve Rubinfeld.e. Ancak bu zaman serilerini durağanlaştırmak için serinin bir veya daha fazla farkını almak suretiyle dönüştürme işlemi gerçekleştirilebilir. ARMA(p. a. 1. + φ p ρ k − p k ≥ q+1 (1.q) sürecinin kovaryansı. + θ q et − q (1..2.

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

Tablo 1. s.4.4 ACF ve PACF’ nin Teorik Davranışları Model Otokorelasyon Fonksiyonu (ACF) AR(p) MA(q) ARMA(p. Kaynak: Sevüktekin ve Nargeleçekenler. Zaman Serileri Analizi.q) Kısmi Otokorelasyon Fonksiyonu (PACF) Azalarak kaybolur* q gecikme sonra kesilir Azalarak kaybolur ve q gecikme sonra kesilir p gecikme sonra kesilir Azalarak kaybolur Azalarak kaybolur ve p gecikme sonra kesilir * Azalma (yaklaşık olarak) üstel (geometrik) veya bir sinüs dalgası şeklinde olabilir.4’ te gösterilmektedir. Durağan modeller için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının teorik davranışı Tablo 1. 168. 41 . Aşama: Öngörü Tahmin edilen ARIMA modeli ile öngörü yapılmaktadır.

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

g. dereceden durağandır denir ve I(1) olarak gösterilir. Introduction to Econometrics. a. dereceden durağandır denir ve I(d) ile gösterilir 5 . Bir serideki birim kök sayısı serinin durağan olana dek alınması gereken fark sayısına eşittir. 43 .e. 4 5 Kutlar. 252. Zaman serilerinin uygun bir modele oturtulabilmesi için bu serilerin önce durağan hale getirilmesi gerekir 4 . s. Durağan olmayan seriler birim kök (unit root) içerirler. Gujarati. s. Şekil 2. a. Yt serisi 1 farkı alınınca durağan oluyorsa seri 1.g. a.g. 529.dolayı serinin ortalaması zamanla değişmemektedir. s. Bu koşullardan birisi sağlanmadığında serinin durağan olmadığı söylenir.e.e. Genel olarak seri d kez farkı alınınca durağan oluyorsa seri d. s. 2.Birim kök testleri uygulanması.Serinin korelogramının incelenmesi. Bir serinin durağan olup olmadığını anlamanın iki yolu vardır 6 : 1.1 Durağan Bir Zaman Serisi Grafiği Kaynak: Maddala. 6 Johnston ve Dinardo. Ancak gerçek dünyadaki zaman serilerinin çoğu durağan değil ve dolayısıyla serilerin ortalaması zamanla değişmektedir. 805. 215.

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

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

olduğunu ifade eden sıfır hipotezi reddedilir ve bunların en azından bazılarının önemli olduğu söylenebilir.3 Durağan Olmayan Bir Seri Korelogramı Şekil 2. Şekil 2.4 Durağan Bir Seri Korelogramı 46 .

1998 s. Kim. seri trend (zaman) üzerine regrese edilir. Eğer durağan olmayan zaman serisinde. Cambridge. serinin sahip olduğu deterministik trend etkisiyle ortalamasının değişmesi. 17 Gujarati. Burada Yt-1 stokastik trend. deterministik trend yoksa stokastik trend olması muhtemeldir. S ve I. Örneğin basit bir pür rassal yürüyüş serisi Yt = Yt −1 + et (2. t deterministik trend.3) Burada Yt zaman serisi.g. M. Bir zaman serisinin sahip olduğu deterministik trend yapısı zaman yolu grafiği kullanılarak ortaya konulabilir. Daha sonra bu regresyondan elde edilen kalıntılar üzerinde analizler yapılır.3. durağan olmayan zaman serisi için kurulacak regresyon denkleminde.2. Trend Durağanlık ve Fark Durağanlık Durağan olmayan zaman serilerinde durağan dışılığın nedenleri serilerdeki deterministik trend veya stokastik trenddir. Bu durağanlaştırma işlemi fark alma olarak tanımlanmaktadır. İkinci yaklaşımda ise.e.e. σ 2 ) durağan stokastik olarak tanımlansın. Cambridge University Press. et ~ IID(0. et ~ IID(0.5) 16 Maddala G.g. s. 18 Enders. Modelin her iki tarafında birinci fark alındığında varsayım gereği durağan olmayan Yt serisi durağan hale gelecektir 18 . Trend durağan olmayan süreçler için durağanlaştırma iki temel yaklaşımla gerçekleştirilmektedir16 . Yt = μ + βt + et bileşendir 17 . Yt − Yt −1 = et (1 − L)Yt = et ∆Yt = et (2. Unit Root Cointegration and Structural Change. Birinci yaklaşım. zaman serisi modeline trend bir regresör olarak ilave edilerek gerekli analizler yapılır.4) (2. a. s. Gerçekte durağan bir zaman serisinde. σ 2 )’ dir. 821. zaman serisini durağan dışı gösterir. Durağan olmayan zaman serisindeki stokastik trend yapısı dışlanarak seri durağanlaştırılır. 167. a. 4. 47 .

s. Bir zaman serisinin uzun dönemde sahip olduğu özellik. Dinardo. a. 28.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . Harris.e. 802.1. birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 . 2. Londra. 48 . Johnston ve J. a. 221. serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı. 2. s.5 Trend Durağan ve Fark Durağan Seriler Kaynak: J. 21 R. D.4. Using Cointegration Analysis in Econometric Modelling. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. 221. Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı. Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 . ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır.e. 1995.g. Econometric Methods.g. Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin). değişkenin bir 19 20 Johnston ve Dinardo. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). s.4. Gujarati. I. s. Şekil 2. Printice Hall.

serinin her dönemde aldığı değerin daha önceki dönemlerdeki değerleriyle regresyonunun bulunması gerekmektedir.6) nolu denklem başka bir biçimde şu şekilde de yazılabilir: ΔYt = ( ρ − 1)Yt −1 + u t = ϕ Yt-1+ ut (2. Bu nedenle serinin nasıl bir süreçten geldiğini anlamak için. Eğer ρ katsayısı birden küçük çıkarsa. Denklem (2. bu dönemi nasıl etkilediğinin belirlenmesiyle ortaya çıkarılabilir. Bu şokların kalıcı nitelikte olması serinin durağan olmaması ve zaman içinde gösterdiği trendin stokastik olması anlamına gelir. bu etki giderek azalacak ve kısa bir dönem sonra tamamen ortadan kalkacaktır 22 .9) Tarı.e. Bunun için uygulanan test DickeyFuller (DF) testidir. s. 393-394.6) şeklinde ifade edilir. Bu durumda artık sıfır hipotezi ϕ = 0 olarak tanımlanır. s. 814. 49 .önceki dönemde aldığı değerinin. a. Yt = ρYt −1 + u t (2. geçmiş dönemlerdeki şoklar belli bir süre etkilerini sürdürseler de. Eğer ρ katsayısı bire eşit bulunursa birim kök sorunu (durağan olmama durumu) ortaya çıkmaktadır ve model Yt = Yt −1 + u t (2. Yt değişkeninin bu dönemde aldığı değerin geçen dönemdeki değeri olan Yt-1 ile ilişkisi.g.7) şeklini almaktadır.6)’ ya göre H0: ρ = 1 ve denklem (2.g. ρ = 1 olduğunda ϕ = 0 olacaktır ve böylece ΔYt = Yt − Yt −1 = u t olacağından.8)’ e göre H0 : ϕ = 0 olup.e. (2. Bu bir önceki dönemde iktisadi değişkenin değerinin ve dolayısıyla o dönemde maruz kaldığı şokun olduğu gibi sistemde kalması anlamına gelir. Bu model birinci dereceden otoregresif AR(1) modelidir. Bu testte bilinen t istatistiği. a. Gujarati. Bu amaçla geliştirilen birim kök testi ile serilerin durağan olup olmadıkları belirlenebilmektedir. Burada ut kalıntı terimidir. τ (tau) istatistiği (DF-test istatistiği) 22 23 (2. Yt serisinin birinci farkları durağan olacaktır 23 .8) ΔYt = Yt − Yt −1 ’ dir. ilgili hipotezler durağan olmama durumunu ifade eder.

Bir serinin Enders.g. buna Genişletilmiş Dickey Fuller (ADF) sınaması adı verilir 27 . Ekonometriye Giriş. (1979). No. dereceden bütünleşik (entegre) olduğu söylenir ki bu onların otoregresif yapılarının bir birim köke sahip olduğu anlamındadır. 366. Dickey. 182. Sayı: 18.e. Bu çeşit durağan olmama durumu tüm değişkenlerin birinci farklarının alınmasıyla sıklıkla ortadan kaldırılır 29 . ˆ Dickey Fuller testinde kullanılan yukarıdaki üç model için sırasıyla τ . s. Birçok iktisadi zaman serisi durağan sürece sahip olmazlar. 1996. W. Eğer ut hata terimi ardışık bağımlı ise kullanılacak regresyon modeli aşağıdaki gibidir: ΔYt= β 0+ β 1t+ ϕ Yt-1+ α i ∑ ΔYt − i +ut i =1 m (2.g. 2.A. s. Journal of the American Statistical Association.12) Burada t zaman ya da genel eğilim değişkenidir.e. 26 Tümay Ertek. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. 29 Bentzen Jan ve Engsted Tom. İstanbul.10) (2. s. Eğer τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden küçükse. Dickey-Fuller testinde kullanılan başlıca regresyon kalıpları şunlardır: Sabit terimsiz model Sabit terimli model Sabit terimli ve trendli model : ΔYt = ϕYt −1 + u t : ΔYt = β 0 + ϕYt −1 + u t : ΔYt = β 0 + β1t + ϕYt −1 + u t (2. 25 24 50 . (1992). τ (tau) istatistiklerinin kritik değerleri Dickey ve Fuller tarafından Monte Carlo benzetimleriyle tablolaştırılmıştır 25 . s. a. Fuller. 27 Gujarati. Sayı: 74. dolayısıyla belli bir zaman sürecinde stokastik (olasılıklı) olarak değişen trend etrafında dağılırlar. H0 hipotezi reddedilemez ve serinin durağan olmadığı (birim kök içerdiği) sonucuna varılır 26 . “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.13) bu modele DF sınaması uygulanırsa.olarak adlandırılır ve τ istatistiklerinin değerlendirilmesinde bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t dağılımına uymaz) 24 . 28 Enders. s.A.g. s. 817. a.e. Bu nedenle τ istatistiği MacKinnon kritik değerleri ile karşılaştırılır. 427-431. 182. τˆμ ve τˆβ istatistikleri kullanılır 28 . a. 387. D. Beta Yayınları. Böyle süreçlerin 1.11) (2. Institute Of Economics Aarhus School of Business.

s.e.g.g. ρ =1 ise yani birim kök varsa ϕ =0 olur.14) olur. ΔYt= ϕ Yt-1+ut (2. s. a. zaman serilerinin niteliği göz önüne alınmalıdır. boş ve alternatif hipotezler bu şekilde olmaktadır. Patterson. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında.2.1. zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir.g. 2. 51 . H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde. 405. a. Durağan seriler bir şoktan sonra ortalamasına geri döner.e.1.4. Eğer seriyi durağan yapmak için iki defa fark almak gerekiyorsa (yani farkın farkını almak gerekiyorsa) I(2) ve d fark almak gerekirse I(d) olarak yazılır. ˆ 2. a. Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. s.1. Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 . Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 . Φ1 ve Sınaması τˆμ Test İstatistikleri Birim kök sınamasında ele alınan üç farklı modeldeki katsayıların birlikte anlamlılığının testine izin veren bir test olan Φ testi. 32 Patterson. 227-228-229.4.e.birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 . 210. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için. Dickey-Fuller tarafından 30 31 Tarı. Durağan olmayan bütünleşik seriler.

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

e.17) Bozkurt. Gerçekte kayan rassal yürüyüş biçimsel olarak devre dışı bırakılmasa da ϕ = 0 iken β 0 ≈ 0 olması beklenir. s. 230. Eğer verilerde trend varsa τˆ ve τˆμ geçerli bir başlangıç noktası değildir.g.1. 232. τ ve τˆμ için birim kökün alternatifi sırası ile Yt= ρ Yt-1+ut ve Yt= β 0+ ρ Yt-1+ ut’ de ρ <1 olmasıdır. a.e. ut’ nin belirli gerçekleşmesi ne olursa olsun Yt-1 ile kıyaslandığında Yt’ deki değişme olacaktır. Φ 3 ve Sınaması τˆβ Test İstatistikleri τˆ ve τˆμ test istatistiklerinin alternatif hipotezlerindeki modeller ekonomik ˆ zaman serilerinin tipik özelliği olan trend davranışını içermemektedir. Ancak bu modellerde trend yaratmak için bir mekanizma yoktur. β 0 = 0 reddedilmemiş olduğundan kesme içermeyen en kısıtlı modele (Yt= ρ Yt-1+ut ) geçmek mümkündür 39 . uzun dönemde Yt bir sabit sayı olan β 0 /(1 − ρ ) ’ a doğru yönelme eğilimindedir 40 . Burada β 0 bir kayma terimidir. Eğer boş hipotez ( H 0 : β 0 = 0 ve ϕ = 0 ) reddedilmezse. Yt= β 0 +Yt-1 + ut şeklini alır.H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 olacaktır 37 . DF Φ1 sınaması kullanılarak birleşik boş hipotez testi uygulanır. β 0 kadar 53 .e. ΔYt= β 0+ β 1t+ ϕ Yt-1+ut 37 38 (2.4. s. 2. 40 Patterson. Pür rassal yürüyüş sürecine kesme terimi eklenerek. Daha uygun geçerli regresyon.g.3. Bu alternatif hipotez altında üç olasılık söz konusudur: H 1 : β 0 ≠ 0 ve ϕ ≠ 0 (durağan) H 1 : β 0 ≠ 0 ve ϕ = 0 (kayan rassal yürüyüş) 38 H 1 : β 0 = 0 ve ϕ ≠ 0 (durağan) Burada β 0 = 0 ve ϕ = 0 ya da β 0 ≠ 0 / β 0 = 0 ve ϕ <0 olarak beklenir. a.g. a. 38. 39 Patterson. s. Aksi halde seride gözle görülür bir trend olacaktır ve bu durumda geçerli olduğu ileri sürülen hipotez doğru başlangıç noktası olmayacaktır.

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

a. DF Testleri İle Birleşik Hipotez Testi Dickey ve Fuller 43 çalışmalarında β 0 . (1981). Genişletilmiş Dickey-Fuller (ADF) Testi AR(p) süreci şu şekilde ifade edildiğinde. modelin kalıntılarının otokorelasyonu incelenerek yardım alınabilir.. 233-234.g.. Yt = μ + φ1Yt −1 + vt kullanılmış ise. 43 42 55 .19) olmasına rağmen AR(1) modeli. SSRu kısıtsız denklemin kalıntı kareler toplamı. T gözlem sayısı. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + . a. 2. D. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. 1057-1072. 2. s. s. s.21) olacak ve vt ile vt-1’ in k>1 için otokorelasyonları.e. a. 44 Bozkurt.4. Alternatif olarak Patterson.e.A Fuller.20) (2. Seride açıkça görünen bir ˆ trend yok ve alternatif hipotez altında ortalama sıfır ise τ istatistikleri uygun başlangıç noktası olacaktır. bu halde vt = φ 2Yt − 2 + . + φ p Yt − p + ε t (2. 238-239.1.19) verileri yaratan süreç denklem (2. 37-38.4. gecikmeli Yt değerlerinin mevcudiyeti nedeniyle. 45 Patterson. s.A Dickey ve W.. β1 ve ϕ parametrelerini birleşik olarak test etmek için geleneksel ekonometride Wald-F istatistiği olarak bilinen aşağıdaki test sürecini önermiştir: F= ( SSRr − SSRu ) / r SSRu /(T − k ) (2. Serilerin zaman yolu grafiğine bakılarak ve düzey ve birinci fark otokorelasyonlarının grafiği çizilerek hangi test istatistiği ve uygun alternatifin seçileceğine şekilsel olarak karar verilebilir 42 .g. sıfırdan farklı olacaktır. + φ p Yt − p + ε t (2. Sayı: 49. k kısıtsız denklemdeki katsayıların sayısı.18) Burada.2. Sıfırdan farklı otokorelasyonlar var ise AR modelinin derecesi arttırılabilir45 .e..ve sınaması τˆμ test istatistikleri uygun başlangıç noktasıdır.4. Bu nedenle AR(1) modelinin uygun olup olmadığı konusunda.g. r kısıtların sayısıdır 44 . SSRr kısıtlı denklemin kalıntı kareler toplamı.

Bilgi kriterleri otoregresif gecikmenin derecesini belirlerken fonksiyonel biçimdeki gecikmelerin sayısını mümkün olduğunca minimize etmeye çalışmaktadır. Burada ϕ = φ1 + φ 2 − 1 ve α 1 = −φ 2 dir 48 . Akaike Bilgi Kriteri (AIC) için f (T ) =2 alınırken. Literatürde gecikme uzunluğunun belirlenmesinde çeşitli kriterler de kullanılmaktadır.22) ˆ Burada. Bu yaklaşımda yüksek bir gecikme derecesi belirlenerek kalıntılarda sıfırdan farklı otokorelasyon olmayıncaya dek gecikme derecesi azaltılarak uygun model geliştirilebilir 46 . Standart DF modeli α1 katsayılı ΔYt −1 ile “genişletilmiş” tir 49 . σ 2 ( p) . 239. a. s. Schwarz Bilgi Kriteri (SIC) için f (T ) =ln(T) alınmaktadır.p* (2. ΔYt = μ + ϕYt −1 + α 1 ΔYt −1 + ε t (2. p[ f (T )] modelin artan gecikmeleri için ceza fonksiyonudur.e.23) Yt = μ + (φ1 + φ 2 )Yt −1 − φ 2 (Yt −1 − Yt − 2 ) + ε t ile aynıdır.g. 817. 290-291.e. a. a. s.e.modelde yer alan gecikmelerin istatistiksel anlamlılıklarına dayanan genelden özele yaklaşımı kullanılmasıdır.e. Bunlardan en çok kullanılanları. p>1 olduğunda AR(2) modeli ele alındığında. Akaike Bilgi Kriteri (AIC) ve Schwarz Bilgi Kriteri (SIC)’ dir. f (T ) ’ nin farklı seçimleri farklı bilgi kriterlerini vermektedir. Her iki taraftan Yt −1 çıkarıldığında. Buradan AR sürecinin derecesi iki ise regresyon modeline ΔYt −1 teriminin eklenmesi gerektiği sonucuna varılır. 46 47 Sevüktekin ve Nargeleçekenler.g. 49 Gujarati.g. Asimptotik olarak(T → ∞ ) SIC bilgi kriteri. Uygun gecikme sayısı için aşağıdaki ifade kullanılır 47 : ˆ IC ( p) = T ln σ 2 ( p ) + p[ f (T )] p=1. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + ε t Bu ifade (2.…. AIC bilgi kriterine göre daha doğru sonuçlar verir ancak sonlu örneklemlerde AIC bilgi kriteri çok sık başvurulan bir yöntemdir. s. 240.25) ifadesine ulaşılır. p gecikmede hesaplanan varyans değeri. 56 .24) (2. s. 48 Patterson. Patterson.g. a.

s.27) olur ve tüm test prosedürleri aynı şekilde uygulanır 50 . Sayı: 75. 335-346. Bu durumu daha iyi anlamak için şu regresyonlar dikkate alınır 54 . 52 Bozkurt.Genel olarak ADF(p) modeli. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + βt + ε t j =1 p (2. birim kök hipotezini inceleyen istatistiki testlere olan ilgiyi arttırmıştır 52 . 41. 53 Enders. s.e. 51 50 57 .26) şeklini alır. Ancak literatürde başka birim kök testleri de mevcuttur 51 . a. B. Phillips-Perron birim kök testi ise hata teriminin zayıf derecede bağımlı olmasına ve heterojen olarak dağılmasına izin vermektedir 53 .e. ˆ ˆ ˆ yt = μ + αyt −1 + u t . a.g. Sevüktekin ve Nargeleçekenler. Pierre Perron. Biometrika.4. s. Uygulamada en çok kullanılan birim kök testi Dickey-Fuller birim kök testidir. s.e. Genişletilmiş Dickey Fuller testi.e. modele gecikmeli değerler ekleyerek Dickey-Fuller testini otokorelasyon problemine karşı düzeltmiştir. “Testing for a Unit Root in Time Series Regression”. Phillips-Perron (PP) Testi Zaman serilerinin bir çoğunun durağan bir sürece sahip olmamaları. Dickey-Fuller birim kök testi hata terimlerinin istatistiki olarak bağımsız olduklarını ve sabit varyansa sahip olduklarını varsayar. s. 304.g. 2. 1 ~ ~ ~ ~ y t = μ + β (t − T ) + α y t −1 + u t 2 (2. 240. a. (1988). Modele deterministik trend ilave edildiğinde. Bu sayede otokorelasyon sorunu ortaya çıkmamaktadır. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + ε t j =1 p (2. Phillips ve Perron (1988) Dickey-Fuller’ ın hata terimleri ile ilgili varsayımını genişletmişlerdir. 54 Peter C. a. Phillips.3. 229.g.g.28) Patterson.

57 Schwert G. Phillips ve Perron. 31.29) sürecinde oluştuğu hakkındaki H0 hipotezini test etmek için Dickey Fuller’ in τ istatistiğinin geliştirilmiş bir biçimini üretmişlerdir 55 . Journal of Econometrics. KPSS testinin en önemli özelliği 1 veya daha büyük bir MA yapısı içeren serilerde ADF’ nin aksine gücünün azalmamasıdır 57 . Trendden arındırılan seride birim kök olmaması. Buna göre serilerin durağan olup olmadıklarına ~ ˆ karar verilir.4. katsayıların ˆ y t = y t −1 + u t (2. 147-159. rassal yürüyüşün sıfır A. Boş hipotezdeki durağanlık trend durağanlıktır. (1989). İstanbul.B.4.. “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?”. serinin trend durağanlığını gösterir. Sayı: 54. Denis Kwiatkowski & Peter C. Journal of Business and Economic Statistics. Phillips & Peter Schmidt and Yongcheol Shin. Phillips-Perron denklemlerdeki α ve β katsayılarının testi için test istatistiklerini oluşturmuşlardır. LM testinde boş hipotez. 2. buna karşın alternatif hipotez ise seride birim kök olduğunu ve durağan olmadığını ima eder. KPSS testi LMc testi ile benzer biçimde belirlenmektedir58 . a. Fakat burada hata terimleri arasında içsel bağlantının (serial correlation) olmadığı veya homojenlik varsayımı gerekli değildir. s.g. Phillips-Perron birim kök testi test istatistikleri Genişletiliş DickeyFuller (ADF) test istatistiği için kullanılan kritik tablo değerleri ile karşılaştırılarak sıfır hipotezleri kabul veya reddedilir. KPSS Testi KPSS (Kwiatkowski-Phillips-Schmidt-Shin) testinde amaç gözlenen serideki deterministik trendi arındırarak serinin durağan olmasını sağlamaktır 56 .Burada T gözlem sayısını ut hata terimlerinin dağılımını göstermekte olup bu hata teriminin beklenen değeri sıfıra eşittir (E(u)=0). 159-178. Dolayısıyla LM istatistiğinin oluşumu önemlidir. Karun Nemlioğlu. “Tests for Unit Roots: A Monte Carlo Investigation”. s. 269. Sayı: 7. 58 Patterson. Sıfır hipotezi serinin durağan olduğunu ve birim kök içermediğini. 2005. Bu testte kurulan birim kök hipotezi ADF testinde kurulan hipotezlerden farklıdır. (1992). Çünkü seriler trendden arındırılmışlardır. Beşir Kitabevi. s. 56 55 58 . Birim Kök Analizinin Temelleri. s.e.

l ) = 1 − s /(l + 1) (2.30) (2. et durağan kalıntıları (et ~ IIDN(0. s.34) Burada w( s.31) Burada wt modelin rassal yürüyüşü.…. t deterministik trend. s 2 (l ) kalıntılar birbirleriyle korelasyonlu olabilecekleri için tutarlı bir uzun dönemli varyans tahmincisidir ve aşağıdaki şekilde tanımlanır: S t = ∑ et t =1 T T t=1. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar.g. Yt = β t + wt + et wt = wt −1 + u t (2. 59 . seri regresyon yöntemiyle deterministik trendden ve kesme teriminden arındırılarak bu denklemden elde edilen kalıntıların varyansının sıfıra eşit olup olmadığını sınayan şu test istatistiği hesaplanır: ˆ η = T − 2 ∑ S t2 / s 2 (l ) t =1 T (2.33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s. l ) ∑ et et − s t =1 s =1 t = s +1 (2.T l T (2.32) Burada S t kalıntıların kümülatif toplamı. 164. al. σ u2 ) göstermektedir. σ e2 ) ve ut ~ IID(0. rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder. KPSS test istatistiğinin hesaplanabilmesi için.2. l ) .m. a. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s.35) 59 Kwiatkowski and et.varyansa sahip olduğunu ve serinin deterministik trend.

:α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir. T. 60 60 . Rothenberg ve J. Burada α =1+ c / T olarak hesaplanmaktadır. (1996). burada zt =(1.37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir.5.5 alınır. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde.38) şeklinde hesaplanır.2. ~ = y − β 'z yt t t (2.t)’ olarak hesaplanmaktadır ( zt .36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir.4. Elliott. yt zt G. J. Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. H. Stock. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır. Sayı: 64. ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı. “Efficient Tests for an Autoregressive Unit Root” Econometrica.0 alınmaktadır. Seride sadece kesmenin olması durumunda c = -7. Burada S (α ) kalıntı kareleri toplamı. S (1) . Nokta Optimal testi. β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır. 1’ ler ve deterministik trendden oluşan vektördür). 813-836. Seride kesme ve trend gözleniyorsa c = -13. s. y t = d t + αyt −1 + ε t (2. ADF-GLS testi için kurulacak hipotez. deterministik trend veya kesmenin olması koşulu aranmaktadır 60 . 2 PT = [S (α ) − α S (1)] / s AR (2.

41) olmak üzere..43) Elliott and et.39) (2.~ ve ~ şöyle tanımlanır. 1519-1554. ADF testi gibi bir regresyon denklemi kurulur: Δy t = dt + β 0 y t −1 + ∑ β j y t − j + etk j =1 k (2. Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır.. yt zt ~ ~ ( ~1 . “Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. (1996). ~t ) = ( y1 . Ng. Perron ve S.. Sayı: 63.42) Hesaplamada. ~2 .. 831. 62 61 61 . NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 .. a. (2001). Ng ve P. ~t ) = ( z1 .m.. Econometrica.... Ng-Perron Testi (2.6.4.40) Ng-Perron birim kök testi. (1 − α L) y t ) y y y ~ ~ ( ~1 . s. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. d MZ α = (T −1 (YTd ) 2 − s 2 ) /( 2κ ) MZ td = MZ α × MSB MSB d = (κ / s 2 )1 / 2 (2. 63 S. al.. 435-463.. DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır. Sayı: 69.. Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır. (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 .. P. büyük oranda hata teriminde örneklem çarpıklığı olmaktadır. Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . 2. PP testinde serilerde negatif hareketli ortalama yapısı olduğunda.. (1 − α L) y 2 . s. T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2.. (1 − α L) z 2 .. Perron. ~2 . The Review of Economic Studies.g. s.

50) ˆ ˆ2 σ k2 = (T − k max ) −1 ∑t =k max +1 etk T AIC kriterinin modifiye edilmiş hali MAIC için CT =2 ve SIC kriterinin modifiye edilmiş hali MSIC için CT =In(T-kmax) alınarak bulunur 64 .44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2.45) (2. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir. a.48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2.Buradan. 1529. Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada. t } 1 ise ise (2. Bu aşamadan sonra test istatistikleri denklem (2.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir. 62 . CT (τ T (k ) + k ) T − k max (2.49) (2. 64 Ng ve Perron. s.42) deki formüllere göre bulunabilir. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur. ˆ ˆ β (1) = ∑ β i 1 k (2.m.g.46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır. MPTd seride sadece kesmenin ve kesme ve trendin birlikte olması durumuna göre aşağıdaki şekilde hesaplanır: ⎧(c 2κ − c T −1 (YTd ) 2 ) / s 2 ⎪ MPTd = ⎨ d 2 2 −1 2 ⎪(c κ + (1 − c )T (YT ) ) / s ⎩ xt = { } 1 xt = { .

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

7 13.9 9.3.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8. Durağanlık analizi sonrasında zaman serisi modellemesinde en uygun öngörü yöntemi olan Box-Jenkins (BJ) yöntemi kullanılarak 2007 yılı ihracatın GSMH içindeki payı (%) verisi öngörülmeye çalışılmıştır.4 4 2.3. 64 .7 6.8 8.7 9.1 5. USA.5 4 5.9 4.5 12.7 2.1 14.1 8.6 8.8 9.7 4 3 3.7 2.9 İhracatın GSMH içindeki payı (%) 9.3 4.7 7.1 yardımıyla analiz edilmiştir.1 9.9 10.1 11.9 4 4.3 8.6 13.4 2.2 İhracatın GSMH içindeki payı (%) 5. s.6 7.3 6. Seri. ekonometri paket programı Eviews 5. Quantitative Micro Software.8 21.9 3.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5.9 21.4 11.3 6 5 5.2 10 7.7 12.7 3.8 2.5 4.4 10 9.9 8.9 11.1 20.5 19. İstatistik Göstergeler 1923-2006.9 12.6 7. 2005.1 3. Tablo 3.9 4.3 5.4 Yıllar 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 Yıllar 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 Yıllar 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 Yıllar 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Kaynak: TÜİK.2 9 8. LLC.6 9.2 9.1 User’s Guide.6 7. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.8 4.6 13.8 7. 434-435. 3 Eviews 5.7 12.8 İhracatın GSMH içindeki payı (%) 3.4 21.3 6. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .4 13.9 3. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi.3 3.6 8.2 10.3 2 2.9 11.9 19.7 2.7 7.6 3.

Şekil 3.1’ de yer almaktadır.Serileri olası değişen varyans ve kısmen de otokorelasyona karşı koruyabilmek için logaritmik dönüşümleri alınmaktadır.1 LIHR Serinin Zaman Yolu Grafiği 84 gözlemden oluşan logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin zaman yolu grafiği Şekil 3. verilerin belli bir ortalama etrafında dalgalanmadığı ve bu yüzden durağan olmadığı söylenebilir. Logaritması alınan ihracatın GSMH içindeki payı (LIHR) serisinin görünümü Şekil 3.2 Birinci Farkı Alınan LIHR Serinin Zaman Yolu Grafiği 65 . Şekil 3.1’ dedir. Serinin zaman yolu grafiği incelendiğinde.

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

Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir. t t =1.g. Bu çizgilerin oluşturduğu alan. O halde serinin durağan olmadığını söylemek mümkündür.3’ de otokorelasyon katsayıları için güven aralıkları ise.Se ACF (k ) ) = ± (1.96 ile karşılaştırıldığında tACF(1) = 8. Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur.109 9.165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri.96 olduğundan boş hipotez reddedilir. Se ACF (k ) = 1 84 = 1 = 0. 67 . istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok.311 > t t =1. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir.Şekil 3. Seri belirli bir ortalama etrafında dalgalanmadığı için. Şekil 3. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır. a. Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı. tACF(1) = şeklinde 0.05 anlamlılık düzeyinde kritik tablo hesaplanır.Se ACF (k ) ) ile hesaplanır.96*0.109) = ± 0. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır.906 = 8. Kısmi otokorelasyon fonksiyonu 4 Tarı. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir. ± (t t .109 0.e. 391.213 olacaktır. ± (t t . dışına taşıyor ise var demektir 4 . İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir. s.311 0. Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa.3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir.

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

Şekil 3.4 Birinci Farkı Alınan LIHR Serisinin Korelogramı

68

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

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

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

69

Bu modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler,

H 0 : Serisel korelasyon yok

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

Tablo 3.4 LIHR Serisi İçin Φ 3 Testi

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

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

5

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

70

g.390) %5 anlamlılık düzeyinde t tablo değeri 6 ile karşılaştırıldığında 7 . 238.390<3. 2. Bu H 0 hipotezinin reddedilemeyeceği ve seride deterministik trendin olmadığı anlamına gelir.5 LIHR Serisinin Düzey Değerleri İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Bu t tablo değerleri standart t tablo değerleri değildir. H 0 : β1 = 0 H 1 : β1 ≠ 0 Tek yanlı olduğu için daha güçlü olan τˆβ testi yapıldığında. Tablo 3. 6 71 . τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde küçük olduğunda H0 hipotezi reddedilemez ve serinin durağan olmadığı sonucuna varılır. s. 7 Patterson.değişkeninin t istatistiği değeri (2.e.42 olduğu görülür. Seride birim kökün varlığı nedeniyle karşılaştırmada standart t tablo değerleri kullanılmaz. H0 = ϕ = 0 H1 = ϕ < 0 Burada boş ve alternatif hipotezler sırasıyla seride birim kökün var olduğunu ve var olmadığını ifade eder. o zaman farkı alınan sayı kadar serinin birim kök içerdiği sonucuna varılır. a. Serinin farkı alınarak aynı karşılaştırma yapıldığında τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde büyük çıkarsa.

7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.1.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8.Tablo 3. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir.2.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. 72 . Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir.5. 3. LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri Deterministik trendin katsayısı anlamsız bulunduğu için Φ 3 testi deterministik trendi dikkate almayan Φ1 testini uygulamanın daha iyi olduğunu ifade eder. Tablo 3.263) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. 12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3.7’ deki gibi olduğu bulunur.

%5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında. 0. s. s.46 olduğundan H 0 reddedilemez. serisel korelasyon yoktur.8’ de elde edilen F istatistiği (0. 8 9 Patterson.308).86 olduğu görülür. 8 β 0 kesme teriminin anlamlığına bakıldığında. 231.e. a.7’ deki kesme teriminin t istatistiği değeri (1. Obs*Rsquare=11.e. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3.857). Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir. 1. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder. Tablo 3.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır. 238. Hesaplanan test istatistiği.308<2.g. Patterson.g. a. %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında.740 olduğu görülür.735 ve p=0.857 <4. 73 .8 LIHR Serisi İçin Φ1 Testi Tablo 3. H 0 : β 0 = 0 ve ϕ = 0 (birim kök var) H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 (birim kök yok) Hipotezleri altında Φ1 testi yapıldığında.

1. LIHR Serisi İçin τˆ Sınaması Tablo 3. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3. 3.3. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür.5.10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 .

Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8.12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. mutlak değerce küçük olduğu görülmektedir. 3. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3.172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. seride birim kökün varlığını ve serinin durağan olmadığını. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. 75 . H 1 alternatif hipotez ise. %1. Burada H 0 boş hipotezi.2. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.Tablo 3. Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır.5.87). %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir.

5. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. Çünkü PP test istatistiği (-8. %1. seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. H 0 : Seri durağandır. birim kök yoktur H 1 : Seri durağan değildir.15. Buradan serinin bir birim kök içerdiği sonucuna varılır.127). Tablo 3. birim kök vardır.55). mutlak değerce küçük olduğu görülmektedir. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1. %1. seride birim kökün olmadığını ve serinin durağan olduğunu.15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. 3. H 1 alternatif hipotez ise. Burada H 0 boş hipotezi. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir.14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir. 76 .Tablo 3.

LIHR serisinin birinci farkı alınarak yapılan KPSS testinin sonuçlarını gösteren Tablo 3. H 1 alternatif hipotez ise. test istatistiği (0. test istatistiği (0. Tablo 1) Düzey değerleri için yapılan KPSS birim kök test sonuçlarını gösteren Tablo 3. 3.4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir. Burada H 0 boş hipotezi. seride birim kökün varlığını ve serinin durağan olmadığını.5.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992.16’ ya göre. Seri birim kök içermektedir ve durağan değildir. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.03).17’ ye göre.16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 .27).Tablo 3. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır.

19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. Tablo 3. Tablo 1) Tablo 3. mutlak değerce küçük olduğu görülmektedir.19. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. Burada H 0 boş hipotezi.Stock (1996. H 0 : Seri durağan değildir.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1.Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.53). H 1 : Seri durağandır. seride birim kökün varlığını ve serinin durağan olmadığını. 3. %1.5. birim kök vardır. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. birim kök yoktur 78 . H 1 alternatif hipotez ise.5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir.18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3.

Bu durum modelde MA’ nın derecesinin sıfır olduğunu göstermiştir yani seri hareketli 79 . otokorelasyon değerlerinin giderek azalan bir yapıda olduğunu göstermektedir. LIHR Serisi İçin Box Jenkins (BJ) Yöntemi 1. Her iki sütun içinde test istatistikleri.3’ deki korelogramına bakılır.6. Bu da seride bir birim kök olduğunu gösterir. Tablo 1) Tablo 3.20 LIHR Serinin Düzey Değerleri İçin Ng-Perron Testi * Ng-Perron (2001.21’ de birinci farkı alınan LIHR serisi için Ng.Perron testi sonuçları verilmektedir.21 Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi * Ng-Perron (2001. Burada test istatistikleri.20’ deki Ng-Perron test istatistiklerini MZa ve MZt sütunlarındaki kritik değerlerle karşılaştırmak birim kök testi için yeterlidir. kritik değerlerden mutlak değerce küçük olduğu için LIHR serisinin birim kökünün olduğu ve durağan olmadığı sonucuna varılır. kritik değerlerden mutlak değerce büyük olduğu için birinci farkı alınan LIHR serisinin birim kökünün olmadığı ve durağan olduğu sonucuna varılır. 3. birinci farkları ile durağan olduğu yapılan korelogram ve birim kök testlerinden anlaşılmıştır.Tablo 3. Tablo 1) Tablo 3. Durağan I(1) LIHR serisinin AR ve MA durumunu araştırmak için. Korelogramdaki ACF grafiği. Tablo 3. LIHR serisinin Şekil 3. Aşama: Belirlenme Logaritmik ihracatın GSMH içindeki payı (LIHR) serisinin düzey değerleri ile durağan olmayıp.

1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir.132 ve -0. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır. Tahmin edilen model. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir. 2. 3. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. 80 . Δlihrt = 0.1. Aşama: Uygunluk Testi (3. Yani AR(1) durumu söz konusudur.0) yapısına sahip olduğuna karar verilmiştir.102Δlihrt −1 + et olur.ortalamaya sahip değildir. Bunun için hata terimlerinin korelogramı incelenir.073 bulunmuş olup. Böylece serinin ARIMA(1. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir.007 + 0.1)’ deki modelin uygunluğuna karar verilir. İlgili korelogram Şekil 3. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3.5’ de görülmektedir. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu. bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir.

0) Modeli Hata Terimlerinin Korelogramı Korelogram incelendiğinde. 81 .Şekil 3.1. otokorelasyon ve kısmi otokorelasyon çubuklarının hepsinin %95 aralığı içinde kaldığı görülecektir. Dolayısıyla bu model uygundur ve öngörü için kullanılabilir.5 ARIMA(1.

221000 0.186286 . H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.813714 0.0 -.2 -.48>0.000000 0. Bu model öngörü için kullanılabilir.171334 109.2 Forecast: DLIHRF Actual: DLIHR Forecast sample: 1923 2010 Adjusted sample: 1925 2007 Included observations: 82 Root Mean Squared Error Mean Absolute Error Mean Abs.896970 0. 4.E. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0. 2007 yılı için öngörü yapılabilir. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3.6 .0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler.05 olduğu için).Tablo 3.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S.22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11. Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 . 1990 2000 Şekil 3. Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak.48 olmuştur. .4 .4 -. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı.1055 0.6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır.6 Modelin Öngörü Performansı Şekil 3.22 ARIMA(1.578 çıkarken p değeri 0. 0.1.

08 .4 -.074 (LIHRF) olarak bulunur.7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir.04 . öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.063+0.02 . Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3.2 . 2. 83 . Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir. 3. s.011=3.0 -.8 . 10 Pindyck ve Rubinfeld. a.06 .011 olmuştur.g.074 değerinin logaritmik dönüşümü yapıldığında.1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0.6 .olduğuna işaret eder 10 .62’ dir. Eviews 5.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3.00 -.2 -.e. Model yardımıyla yapılacak öngörüde bağımlı değişken Δlihrt ( lihrt − lihrt −1 ) olduğu için bulunacak değer 2007 yılı değeri olmayıp 2007 ile 2006 arasındaki farkın öngörüsü olacaktır.06 30 40 50 60 70 80 90 00 10 .02 -. Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür. 211.04 -. DLIHRF .4 .

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

Eğer stokastik sürecin niteliği zaman boyunca değişiyorsa yani seri durağan değilse. veriler bir dönüşüm yardımıyla durağan hale getirilmeye çalışılır. Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulmuştur. elde edilen stokastik sürecin zamana bağlı olarak değişip değişmediğinin bilinmesi gereklidir. serinin geçmiş ve gelecek yapısını basit bir cebirsel modelle ifade etmek mümkün olmaz. Gerek tek bir seriye ilişkin öngörülerde. Bu testler sonucunda serinin düzey değerlerinin durağan olmadığı ancak birinci farklarının durağan olduğu yani serinin bir birim kök içerdiği tespit edilmiştir. Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Eviews 5.1 paket programı yardımıyla durağanlık analizi için korelogram testi ve en çok kullanılan birim kök testleri olan Genişletilmiş Dickey-Fuller (ADF). gerekse değişkenler arasındaki ilişkilerin tanımlanmasında serilerin durağan olmaları şartı aranmaktadır. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri uygulanmıştır. Bu yöntemde seride kaç tane birim kök varsa o kadar fark alma işlemi yapılır. Bir zaman serisini durağan hale getirmek için fark alma işleminin kullanılması Box-Jenkins tarafından yaygın hale getirilmiştir. Bir zaman serisi modeli geliştirildiğinde. Bu durum I(1) anlamına gelmektedir. Zaman serisi analizinde bakılması gereken temel istatistiksel özellik. Bunun için ilk adım olarak durağan olmayan bir zaman serisini durağan hale dönüştürecek dönüşümler hakkında bilgi sahibi olunması gereklidir. orijinal veri üretme süreçlerinin durağan olması şartını gerektirir. Zaman serisi analizinde süreç durağan değilse. Çünkü birçok istatistiksel model. En yaygın dönüşüm çalışmada bahsedildiği gibi fark alma işlemidir. Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan istatistik göstergelerden olan Türkiye’ de ihracatın gayri safi milli hasıla (GSMH) içindeki payı (%) 1923-2006 yıllık değerleri kullanılmıştır. PhillipsPerron (PP). durağanlıktır. Eğer stokastik süreç zaman boyunca sabitse yani seri durağan ise serinin geçmiş değerleri kullanılarak seriye ait sabit katsayılı bir model elde etmek ve öngörü yapmak mümkündür. Zaman serisi modellemesinde kullanılan ve uygun bir öngörü yöntemi olan BoxJenkins (BJ) yaklaşımı ile ülkemizdeki ihracatın GSMH içindeki payı serisi 85 .hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılmaktadır.

q değerleri tespit edilen bu modelin parametre tahminleri yapılarak modelin uygun olup olmadığı test edilmiştir.1. Böylelikle öngörü için kurulan modelin doğruluğu desteklenmiş olup uygunluk testi sonucunda tahmin modelinin öngörü için uygun olduğu anlaşılmıştır. Box Jenkins (BJ) yöntemi kullanılarak serinin ARIMA(1. Böylece 2007 yılı için önraporlanan ihracatın gayri safi milli hasıla (GSMH) içindeki payı % 21.0) modeli hata terimlerinin (kalıntılarının) temiz dizi (beyaz gürültü) olup olmadığı yani sabit bir ortalama ve varyansa sahip olup olmadığı araştırılmış ve hata terimlerinin temiz dizi olduğu yapılan korelogram testi ile görülmüştür.1. 86 . Yöntem. Seriye uygun olduğu düşünülen ARIMA(1.0) yapısında olduğu tespit edilmiştir. Başarılı bir tahmin için yöntemin safhaları uygulanarak verilere en uygun ARIMA veri üretme süreci bulunmuştur. d. Öngörü serisinin grafiğine bakıldığında da model seçiminin doğruluğu görülmüştür. p.62 olarak tahmin edilmiştir.modellenmeye çalışılmıştır. Son aşama olan öngörü aşamasında. serinin bütünüyle kendi geçmiş bilgisine dayanarak tahmin yapmaya yöneliktir. verilere en uygun bulunan zaman serisi modelinin önraporlaması yapılmıştır.

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

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

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

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

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

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

Ekran 1. 93 .5 Veri Girme Penceresi Veri girişi hücrelere yapılır. Ekran 1.4 Komut Satırı İle Dosya Açma Penceresi Çalışma dosyası oluşturmanın bir diğer yolu ise komut satırına Create (oluştur) komutu ile serinin başlangıç ve bitiş tarihini girmektir.

Ekran 1.7 Yt ve Gecikmesi Yt-1 İle İlerlemesi Yt+1 Değişkenlerinin Komut Penceresinden Oluşturulmasını Gösteren Pencere Yt değişkeninin gecikmesi ve ilerlemesinin komut penceresinden oluşturulması 94 .6 Grafik Çizme Penceresi View (görünüm) menüsünün altında Graph (grafik) ile serinin grafiği çizilir.Ekran 1.

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

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

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

Ekran 1.11 Kalıntıların Serisel Korelasyon Testi Penceresi

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

Ekran 1.12 Parametre Testleri Penceresi

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

98

Ekran 1.13 Φ Testleri İçin Wald Testi

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

Ekran 1.14 Regresyon Denklemi Kurma Penceresi

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

99

Ekran 1.15 Öngörü Penceresi

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

100

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

You're Reading a Free Preview

İndirme
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->