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

............. 51 2......................1............4....................................................................4......... Sahte (Spurious) Regresyon.. 24 1....................................... Otoregresif Sürecin Derecesinin Belirlenmesi............1...... 19 1.............3....... 32 1...........................2...4.................1........................................................................................................................................1....................... 36 1................1....................11............ Korelasyonun İstatistiksel Anlamlılığı.....2.................................................................................... Otokovaryans ve Otokorelasyon ...10................1.. 22 1. Trend Durağanlık ve Fark Durağanlık ... 39 1...1............ Q İstatistikleri: Portmanteau Testleri ..........1) Sürecinin Özellikleri.....................2.................2............... ARMA(p........... 51 2...............................................11.............. Otoregresif Süreç (Autoregressive Process-AR) .... 48 2.................. Tek Değişkenli Zaman Serisi Modelleri ....12....2...1.11............ MA(2) Sürecinin Özellikleri ..... Hareketli Ortalama Süreci (Moving Average Process-MA).......................3............. 33 1...........10.........11...... AR(p) Sürecinin Özellikleri .....3.............. 47 2.. 55 ......1........ 44 2............3.....4.................... Durağanlık Analizi: Birim Kök Testi ...2.1.............4........1 τ Sınaması.................11..1..3................2...........................1...........1.. 24 1..2.......................... Box Jenkins (BJ) Yöntemi ...10.................11...................10..11.4................................ 28 1...11...............................3... Durağanlık Analizi: Korelogram Testi...q) Sürecinin Özellikleri................1.............4...................... AR(1) Sürecinin Özellikleri .................. AR(2) Sürecinin Özellikleri .........1.1............................ Zaman Serilerinde Durağanlık Analizi ....................................................11..1................. Φ 3 ve Sınaması τˆ β Test İstatistikleri........ ARMA(1..............................2.......... 30 1......... Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) .............. 37 1........................................2..11......2..................... Φ1 ve Sınaması τˆμ Test İstatistikleri ... MA(q) Sürecinin Özellikleri ............... Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) ....... 23 1....... Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF)... 53 2. 34 1....... Genişletilmiş Dickey-Fuller (ADF) Testi ... Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA).......10... 31 1.....3... Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı....11........ 55 2.. 44 2....3......... 31 1......................... 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2............................4.........11............ 45 2.................................................................. 25 1............................4................................. MA(1) Sürecinin Özellikleri ...........4... 39 1.... Dickey-Fuller (DF) Testi....... 23 1....1..1..4..... 20 1......................... 48 ˆ 2...11....11....3....... 42 2..........................................................2.... DF Testleri İle Birleşik Hipotez Testi......

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

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

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

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

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

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

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

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

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

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. Gecikme İçin Kovaryans Örnek Ortalaması Varyansın Tahmin Değeri Otokorelasyon Fonksiyonu ∑ ΔYt : : : : : : : : μ σ2 γ0 γk y ˆ σ2 ρk IX .

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

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

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

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

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

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

işletmeyi. An Introduction to Applied Econometrics : A Time Series Approach. a. T bir indis kümesi olmak üzere. 6 G. bireyi inceleyerek derlenen veriler yatay kesit verileridir. çeyrek yıllık (üç aylık). haftalık para arzı. 289.2.3…}= N.2.1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir.e. 1.}. 3 5 . 24.3. bir zaman serisi {Xt : t Є T}şeklinde ifade edilir. 525. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır. ±2. Zaman serileri ekonomi.1] gibi sürekli aralıklar da olabilir.g. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır. 1992.4.1. s.3…. Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi. Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir.±1. günlük sipariş sayıları vb. Newyork.zaman sınırlı değerler alan veriler ise nitel verilerdir 3 .S. Newyork. 25. mühendislik. Macmillan Publishing Company. İstanbul. 2000. s. Zaman serisi verileri günlük. seriler zaman serilerine örnek gösterilebilir 6 . 1. Introduction to Econometrics. Eğer T indis kümesi T = R veya T= [0. 5 Özer Serper. Eğer T indis kümesi T= {0. Yatay Kesit. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . 1996. Buradaki T indis kümesi genel olarak T= {1. aylık. Filiz Kitabevi. s. ±3…}= Z olarak alınabildiği gibi T = R. T= [0. T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson. Maddala. haftalık. s. Uygulamalı İstatistik 2. yıllık ve daha uzun dönemli aralıklarla derlenir. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti. 4 Patterson. Aylık işsizlik. Great Britain. Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. eğitim. T= {0.

Zaman değişkeninin şıkları genellikle. Ekonomik büyüklükleri gösteren zaman serileri zamanın belirli aralıklarında ölçüldüğünden kesikli zaman serileri olarak incelenirler. Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon).T şeklinde belirtilir. 11. T) ile bu zaman noktalarında zamana bağlı Y değişkeninin aldığı Y1. Yt . dikey ekseninde bu şıklar itibariyle Y değişkeninin aldığı değerler olan gözlem değerleri Yt yer alır. Ankara. 8 Patterson. s. Zaman Serisi Grafiği Zaman serileri genel olarak kartezyen koordinatlı bir grafikle gösterilir. s. Bu görsel gösterim zaman serisinin sayısal verilerinden açıkça görünmeyen özelliklerini görmede kolaylık sağlar 8 . Zaman serileri iki sütundan oluşur. 2.….5. Yt gözlem değerlerini eşleştirmek suretiyle zaman serisinin grafiği çizilebilir. İlk sütunda zaman vasfının şıkları. Şekil 1. 25.e. Grafiğin yatay ekseninde zaman değişkeninin şıkları. a. Bıçaklar Kitabevi. 7 6 . 1.1 Zaman Serisi Grafiği Yılmaz Akdi. t = 1.ye zaman serisi denir 7 . ikinci sütunda ise olayın aldığı değerler belirtilir. 2003.…. Belirlenen eşit aralıklı t zaman noktaları (t = 1. Burada T zaman serisinin örneklem boyutunu ifade eder.….g.

1) şeklindeki çarpımlarından oluştuğu varsayılmaktadır. Bu faktörlerden her birinin olay üzerindeki etkileri farklı yön ve şiddette olabileceği gibi. 3. Zaman serisinin gözlem değerleri (Yt ) bu faktörlerin Yt = Tt. -Düzensiz (random walk) hareketler olmak üzere dört temel faktörden kaynaklandığı bilinmektedir 9 . Yıllık zaman serilerinde Şekil 1. s. 2004. a. Newyork. Serper.2 Zaman Serisi Bileşenleri Kaynak: Serper. s. Kt.g. serinin gidişinde bazı düzensizliklerle karşılaşılmaktadır. Zaman Serisi Bileşenleri Zaman serilerinin grafikleri incelendiğinde. aynı yön ve şiddette de olabilmektedir 10 . 293. 34. s. 11 Sevüktekin ve Nargeleçekenler. Kt. -Uzun dönem eğilimi (trend). Dt eşitliği söz konusudur 11 . Mt. 292. -Mevsimlik ( seasonal) dalgalanmalar.e. Dt mevsimsellik olmayacağı için bu serilerde Yt = Tt. 9 Walter Enders. 10 7 . Uygulamalı İstatistik 2. Bu düzensiz hareketlerin temelde. a.g. Applied Econometrics Time Series.1. s.2) (1.6. (1. John Wiley &Sons.e. -Konjonktürel (cyclical) dalgalanmalar.

insan alışkanlıkları. a.6. Çünkü dalgalanmaların uzunluğu yani iki maksimum veya iki minimum nokta arasındaki zaman aralığı hep aynıdır. Konjonktürel hareketler içeren zaman serilerinin analizinde. s. a. Sevüktekin ve Nargeleçekenler. Bunun sonucunda üretim faaliyetlerinin trendi artış yönünde olur. Uzun Dönem Eğilimi (Trend) İktisadi faaliyetlerin her biri zaman içerisinde çeşitli faktörlerden etkilenir. 293. 1. a. 14.2.e.e. Mevsimlik ( Seasonal) Dalgalanmalar Birçok zaman serisi belirli dönemlerde mevsimsel faktörlerin etkisi altındadır 13 . Zaman serilerinde mevsimselliğin ortaya çıkışında hava şartları. resmi veya dini bayramlar gibi birçok faktör etkili olur. 8 . Zaman serisinin uzun dönemde belli bir yöne doğru gösterdiği eğilime trend denir 12 . 12 13 Serper. fakat uzun dönemde ana eğilim sabittir. refah döneminden durgunluk dönemine ve durgunluk döneminden refah dönemine geçiş noktalarının analizi önem kazanmaktadır 16 . Bu faktörlerin etkisiyle seride kısa dönemde ufak çaplı sapmalar olabilir. s. s. a.3. Mevsimlik dalgalanmalar döngüsel olduğu gibi aynı zamanda periyodiktir.6.6. Refah dönemlerinde ekonomik göstergelerde artış olurken. 12. s.e. Yaz aylarında soğuk içecek satışlarının artması mevsimselliğe örnek gösterilebilir. a.g.e.e.g. Bir zaman serisindeki tekrarlanan döngüsel hareketlere mevsimsel dalgalanma denir 14 . 16 Sevüktekin ve Nargeleçekenler. s.g. Konjonktürel hareketler düzensizdir ve periyodik değildir. Konjonktürel kalıplar ile mevsimsel kalıplar arasında benzerlik olmasına rağmen mevsimsel hareketler nispeten daha düzenli ve periyodiktir.g. 14 Serper. 1. 294.g.1.1. Konjonktürel (Cyclical) Dalgalanmalar Konjonktürel hareketler daha çok ekonominin veya sektörlerin refah ya da durgunluk dönemlerini içerir 15 . durgunluk dönemlerinde azalışlar olabilir. 15 Sevüktekin ve Nargeleçekenler. 15. Zamanla nüfusun sürekli olarak artması kişi başına milli gelirin artmasına ve buna bağlı olarak hayat standardının yükselmesine neden olur.

seriyi oluşturan herhangi bir süreç (yani anakütle) modelini tanımlamak için bu sürecin gerçekleşmelerini (yani örneklemini) kullanmaktır.4. s. fakat gerçekleşme aynı olmayacaktır. Zaman serisi analizlerinde gerçekleşme (yani gözlenen örneklem değerleri) ve süreç arasındaki ilişki istatistiksel hipotez testlerindeki örneklem ve anakütle ilişkisine benzer 19 . değişken aynı olarak kalabilirdi.6.7. Gözlenen bir zaman serisindeki gerçek değerler aslında bu değerleri üreten belirli bir sürecin gerçekleşmesidir. Zaman serileri analizinde süreç ve gerçekleşme terimleri arasında temel bir ayırım vardır.8. Patterson. Rassal süreç 17 18 Serper. 1.e. Stokastik Süreçler Zaman serileri için olasılık modellerinin diğer tanımı stokastik süreçlerdir. a. hangi değişkenlerin ilgisiz olduklarını belirleyen süreç hakkında tam bilgi sunamaz. Buradaki süreç stokastik (olasılıksal) üretme sürecidir. Bir değişkenin belirli bir noktadaki belirli bir gerçekleşmesi özü itibariyle bir rassal değişkenden sadece bir olabilir sonuçtur. Veri Üretme Süreci (Data Generation Process-DGP) Genelde zaman serileri olarak gözlenen verileri tanımlayan ekonomik süreç hakkında sahip olduğumuz bilgi sınırlıdır. a. 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. Ekonometrik teori.1.g. Zaman serileri analizinin amacı.e. 296. Burada tam olarak bilinemeyen. 40. 11. araştırılan herhangi bir model için hangi değişkenlerin ilgili. Gerçek hayatta birçok süreç yapılarında bir rassal veya stokastik yapı vardır.e. 1. 19 Sevüktekin ve Nargeleçekenler. Eğer tarih yeniden yazılmış olsa idi. Ekonomik verilerin stokastik (olasılıksal) süreçler tarafından yaratıldığı düşünülmektedir.g. çok sayıda değişken ve parametre içeren karmaşık bir süreçten söz etmek mümkündür 18 . Stokastik süreç hem reel fiziksel süreç hem de onun matematiksel modeli olarak algılanır. s.g. s. a. Bu hareketlerin ne zaman hangi şiddette çıkacağı önceden tahmin edilemez. Düzensiz (Irregular) Hareketler Rassal nedenlerle veya geçici olarak ortaya çıkan hareketlere düzensiz hareketler denir 17 . 9 .

5) Chatfield. 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. Geleneksel istatistikte anakütle ve örneklem gibi kavramların zaman serisindeki karşılıkları stokastik süreç ve gerçekleşme dir.2. stokastik süreç olarak isimlendirilen bir teorik sürecin gerçekleşmesi olarak düşünülür.g.T . Reel olarak gözlenen bir zaman serisi Yt. Zaman serisi analizlerinin temel amacı gözlenen serideki bilgilerden yararlanarak stokastik sürecin özellikleri hakkında bilgi edinmektir.kavramı ile stokastik süreç kavramı eş anlamlıdır 20 . s. Analizdeki ilk adım özet istatistiklerin formülasyonudur ancak asıl amaç model kurarak serinin yapısını açıklamaktır.…. Rassal değişken { Yt } dizisinin olasılık yapısı bir stokastik sürecin birleşik dağılımı ile tanımlanır.g.4) (1. tn) için birleşik dağılım F(Yt1.t 2 = Cov(Yt1 . Dolayısıyla bir stokastik süreç matematiksel olarak zaman aralıklarına göre dizilmiş rassal değişkenlerin bir birikimidir. 10 . Burada T süreçte tanımlanan zaman noktalarının bir setidir. s. 22 Chatfield. Stokastik sürecin olasılıklı yapısı bütün n değerleri ve T’nin herhangi bir alt seti (t1.…. a. 27. Bir stokastik süreci tahmin etmenin bir yolu t1. Sevüktekin ve Nargeleçekenler. Ytn birleşik olasılık dağılımını tanımlamaktır.…. Bu momentler. 20 21 (1. varyans ve otokovaryans fonksiyonları olarak adlandırılan birinci ve ikinci momentlerdir 22 .e.…. Bununla birlikte T sonsuz bir set oluşturduğundan stokastik sürecin olasılık yapısını tanımlamak için sonsuz boyutta bir dağılıma ihtiyaç duyulur.e. t=1.3) (1. Ytn) ile bütünüyle ifade edilir. Belirli bir t dönemindeki rassal değişken Yt’ nin dağılım ve yoğunluk fonksiyonları sırasıyla F(Yt) ve f(Yt) ile gösterilir 21 . Ortalama μ t = E (Yt ) Varyans σ 2 = var(Yt ) ve Yt1 ileYt2 arasındaki kovaryansı.g. Otokovaryans γ t1.e. 44. Yt 2 ) = E [(Yt1 − E (Yt1 ))(Yt 2 − E (Yt 2 ))] şeklinde yazılabilir. Stokastik süreci tanımlamanın diğer yolu ise momentlerini oluşturmaktır. a. ortalama. 28. s. a.….

2005.Zaman serisi modellemesinde kovaryanslar önemlidir. Bir zaman serisi değişkeni (Y). 1.e. t = 1. 252. Uygulamalı Ekonometri.2. t günündeki bir hisse senedi fiyatı et . Y = f(t) 23 24 (1. γ kt = Cov(Yt .9. bir rassal yürüyüş modelidir 25 .6) olur 23 . s. Sevüktekin ve Nargeleçekenler. Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında. Fark Denklemleri Zaman serilerinin geleneksel kullanımı.8) Chatfield. 67.t 2 ile gösterilmiştir. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1. bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 .T’ dir. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir. Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. 29. 1. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur.g. a. s.g. Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1. beklenen değeri sıfır olan rassal kalıntılardır.. 25 Aziz Kutlar. Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir..7) Yt .9. Ankara.. Y = f(t) . s. Nobel Yayın Dağıtım. 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.e. Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir. Fark denklemlerinin en basit şekli. 11 . Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir.1. a.. t’ nin bir fonksiyonu olarak tanımlansın.

….e. İkinci fark alma. Δ (ΔYt ) = Δ2Yt (1.14) 26 Sevüktekin ve Nargeleçekenler.12) bir dizi şeklinde yazılabilir. Yani farkın farkı veya farkın karesidir.f(t*) yazılabilir. Yt = f(t)’ in n.f(t+k-1) = Yt+k -Yt+k-1 (1.….f(t*) yazılabilir.9) (1. (1.Yt* = f(t*+k) .f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) .Yt* = f(t*+1) . Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) . Ardışık 1. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur. Benzer şekilde k dönem ilerisi için farkı. Y’ de böyle bir özel değer için Yt* olarak tanımlanır. ∆Yt = f(t) .10) (1. Yt*+1 . Y’ nin t döneminden bir dönem ilerisi için farkı.13) Bu durumda. fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. farklar. Yt-2 . Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 . Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 .f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) .f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1. t* gibi herhangi bir özel değeri alırsa. Yt+k } ile tanımlanır. Yt+1.g. farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir.ilişkisinde eğer t. Yt*+k . 12 .11) olur. s. a. 69-70-71.

John Wiley &Sons.g. i. s.9.e. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi. s. 1. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 .1 n. Analysis of Financial Time Series. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 …. 13 . 72. 36. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir.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. Zaman Serileri Analizi. benzer bir işlemle gerçekleştirilir.Tablo1. Tsay. 1 1 4 1 3 6 …. 32. USA. a. gecikme için Yt-i alt imi kullanılarak geriye doğru.2. s. i. 2004. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler. Tablo 1. Gecikme ve ilerletme için L işlemcisi kullanılır 27 . Patterson.

g. s. Tablo 1. s. L1Yt = Yt −1 ve L4Yt = Yt − 4 (1.g. L−2Yt = Yt + 2 (1. Örneğin.e. Örneğin Yt için yıllık büyüme oranı t= 8 de (2/20) *100 = 10 yüzde 10 olarak ifade edilebilir. Daha çok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 . 33. 14 . 29 30 Patterson. Gecikme İşlemcisi Gecikme işlemcisi Li Yt = Yt −i şeklinde tanımlanır. ilerletmesi anlamına gelir 30 .15) olmaktadır.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.Bu oranlar 100 ile çarpılarak yüzde değerler biçiminde yorumlanabilir.16) Aynı zamanda L0Yt = Yt (1. Yt yi i dönem geciktirme ile aynı anlama gelir.3. Dolayısıyla Yt değişkenine uygulanan L’ nin pozitif bir kuvveti. a. Patterson. a. i. i negatif olduğunda işlem Yt nin i. 34.9.e.17) anlamına gelir.

21) (1. L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 .. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur. 34.e. 1. Yt − φ1 LYt − φ 2 L2Yt − . s.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır. Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur.24) (1.e. Bu tür 31 32 Patterson. (1. (1 − φ1 L − φ 2 L2 . − φ p Lp Yt şeklinde yazılabilir.e. dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 .10. 15 .22) 1. • • Bir sabit değerin gecikmesi yine bir sabit değerdir. L− i Yt = Yt +i (1. s.g.Yani L0 . Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir. 108-109. a. 33 Sevüktekin ve Nargeleçekenler.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir. Patterson. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 ..4. Gecikme işlemcisi kullanılarak p. a. Bu p. a. Gecikme işlemcisinin özellikleri 33 .g..18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır. − φ p Yt − p (1.. (1.23) Gecikme işlemcisi L denkleme eklendiğinde.g.)Yt = φ ( L)Yt (1. Yt − φ1Yt −1 − φ 2Yt − 2 − . s. s.25) şeklinde yazılabilir.9. 34 Patterson. 34.g. dereceden bir denklem ...e. (1. 34. a. Yt parantezine alarak bu ifade.

Kısmi Korelasyon’ un karşılığı Kısmi Otokorelasyon. Bu nedenle korelasyon testlerinde değişkenler arasında nedensel bir ilişki aranmaz. Genelde kullanılan korelasyon analizleri. X ve Y gibi iki rassal değişken dikkate alındığında. Korelasyon’ un karşılığı Otokorelasyon. s. Determinasyon Katsayısı’ nın karşılığı Portmanteau (Q İstatistikleri) dur.e. Kovaryans ve Korelasyon Herhangi iki rassal değişken arasında birlikteliğin veya birlikte değişimin mutlak bir ölçüsü kovaryans ile ifade edilir 36 .e.10. X ve Y’ nin birlikte görülme olasılığıdır 38 . kovaryans. 214. farklı yönlerde değişim gösteriyorsa negatif ve değişmenin yönü saptanamıyorsa veya değişkenler arasında tam bir bağımsızlık söz konusu ise ölçeğin değerinin sıfır olması beklenir 35 . 64. determinasyon katsayısı gibi birliktelik ölçüleri sayılabilir. Başka bir ifadeyle korelasyon ölçülerinin temel mantığı kovaryans matematiğine dayanır. kısmi korelasyon.e. 38 Sevüktekin ve Nargeleçekenler. a. 35 36 Tsay. Değişkenler arasındaki değişme eğer aynı yönde bir eğilim gösteriyorsa ölçeğin değerinin pozitif.g.e.g. korelasyon. a. a. Buna karşılık zaman serisi analizlerinde.g. 16 . N N Cov( X . Dolayısıyla sebep-sonuç ilişkisi beklenmez.g. 37 Patterson. Kovaryans’ ın karşılığı Otokovaryans. 1. kovaryans değişkenlerin her ikisinin beklenen değerlerinden (ortalamalarından) sapmalarının çarpımlarının beklenen değeridir 37 . Y ) = E[( X − E ( X ))(Y − E (Y ))] = ∑∑ Pij ( X i − E ( X ))(Y j − E (Y )) i =1 j =1 [ ] (1. 214.1.26) Burada Pij . 25. s. Her ne kadar kovaryans yalın haliyle birlikteliğin önemi hakkında çok fazla net bilgi vermese de korelasyon hesaplanmasında temel bileşen durumundadır. s. a. Sevüktekin ve Nargeleçekenler.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.

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

215. 23.31) biçiminde yazılabilir. Örneklem standart sapma değerleri S X ve S Y SX = ∑(X i − X )2 N −1 (1. 2004. Y ) ρ ( X . Doğrusal ilişkinin gücünü ölçer 44 . Sıfıra yaklaştıkça birlikteliğin derecesi düşer.e. 25-26. The McGraw. Tam sıfır olma halinde ise değişkenler ya tam olarak bağımsızdırlar ya da doğrusal olmayan bir ilişkiye sahiptirler.e. Y ) Var ( X )Var (Y ) Cov ( X . 18 . s.29) ile tanımlanan anakütle katsayısına karşılık iki değişken arasındaki örneklem otokorelasyon katsayısı. Y ) σ XσY (1.da bağıntının doğrusal olmadığı anlamına gelir 43 . değişkenlerden birindeki bir standart sapma değişimin diğer değişkendeki bir standart sapma ile birlikteliğin bir ölçüsüdür. a.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 . 46 Patterson.g.32) 43 44 Sevüktekin ve Nargeleçekenler.e. s.30) (1.Hill Companies. Newyork. a. Ölçek -1 veya +1’ e ne kadar yaklaşırsa birlikteliğin derecesi o kadar yüksektir. Cov ( X . s. s. Dolayısıyla değişkenler arasındaki doğrusal bağımlılığın nispi veya oransal bir ölçüsünü elde edebilmek için korelasyona başvurulur. Y ) S X SY Cov( X . a.Y ) = = σ XσY (1. 45 Tsay..g. Y ) Var ( X )Var (Y ) = Cov( X . rXY = veya rXY = Cov ( X . Bu durumda da tam bağımsızlık söz konusudur 46 . Denklem (1.g. Basic Econometrics. Korelasyon katsayısı. Burada σ X ≡ S X ve σ Y ≡ S Y ’ dir. 71. Gujarati Damodar N. Korelasyon katsayısının bu ölçeği -1 ile +1 değerleri arasında değişkenlik gösterir.

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.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY . Forecasting Principles and Applications. Irwing McGraw-Hill Comp. Delurgio.g. 48 47 19 . A.e. s. 1.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır.1.31)’ de yerine yazılarak yeniden düzenlendiğinde 47 .10. Newyork. birlikteliğin istatistiksel anlamlılığı. 1998.33) şeklinde hesaplanmaktadır. 59-60. s. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1. S. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 . Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile. 26.) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere. Denklem (1.32) ve (1.35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld. n−2 (1. a.1.33) örneklem korelasyon katsayısı olan denklem (1.ve SY = ∑ (Y i − Y )2 N −1 (1.

Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır.2.olur. Yatay kesit verilerinde de karşılaşılabileceği gibi. genellikle zaman serilerinde rastlanılan bir durumdur 50 .g. Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon.36) Sevüktekin ve Nargeleçekenler. Cov(Yt . ±2. s. Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir. a. Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1. Yt − k ) Cov (Yt . s.e. s. 219. Yt + k ) = Cov(Yt . Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir. 26. a.2. 51 Tsay. Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1.e. otokorelasyon olarak genelleştirilir 51 . 50 49 20 .g. 130. Durağan stokastik süreç için k gecikmeli otokovaryans. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır. Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 . ±1. Econometrics. Dept. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir. Michael Creel.… Cov(Yt . Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. Universitat Autonoma de Barcelona. Of Economics and Economic History.…. 2005.T k = 0. Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt). 1.10.

Yt + k ) σY 2 bu ifade.…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt . Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir. 21. a.40) 52 53 Sevüktekin ve Nargeleçekenler. k gecikmeli bir anakütle otokorelasyon fonksiyonunu. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir. John H. otokovaryans tanımından hareketle şöyle yazmak mümkündür. Cov(Yt .Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu. γk γ0 (1. Yt Yt+1 . s.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir. Yt + k ) = γ k Var (Yt ) = γ 0 (1. Cochrane. Yt +k ) = σY σY t (1. USA. modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . 221.39) ρk = olarak bulunur 53 . s. Time Series for Macroeconomics and Finance.38) O halde. Cov (Yt .g. σY = σY t t +k (1.e. 1997. otokorelasyonun.…Yt-1 . E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k . 21 . otokovaryans/varyans olduğunu gösterir.

s.43) Otokorelasyon fonksiyonunun simetrik olması nedeniyle ( ρ k = ρ − k ) korelasyon pozitif ve negatif yer değiştirmeler için aynıdır. Robert B. Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanır ve bu örneklem otokorelasyon fonksiyonu olarak adlandırılır 55 . Joseph Henry Press. Washington DC. 1. σ 2 ve ρ k değerleri hesaplanır. μ . 1997. Ancak sınırlı sayıdaki gözlem için bir stokastik süreci tasvir eder. Yavaş bir şekilde azalan otokorelasyonların varlığı durağan dışılığın göstergesidir 54 . 56 Garnett P. a.41) σˆ 2 = ∑ T t =1 ( yt − y)2 T (1. otokorelasyon değerleri kullanılarak gerçek veri üreten sürecin parametreleri tahmin edilir. Miller. Williams. varyans.1. var yans David A. Sayı: 40. 54 22 .43)’ den otokorelasyon = otoko var yans olduğu görülür 56 . (1986). Ele alınan durağan bir seride örnek ortalama. y= ∑y t =1 T t T (1. 12-26. Denklem (1. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician.e. Chaos Theory Tamed. ρ k yerine ˆ ˆ örnek y . s.10. Bell. William R. Dickey. Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlamlı bir otokorelasyon durumunda seride durağan dışılık söz konusudur.g.42) T −k ˆ ρk = ∑(y t =1 t − y )( yt + k − y ) t ∑(y t =1 T − y) 2 (1. s. 89.3. 495. Yukarıda tanımlanan otokorelasyon katsayısı denkleminde otokorelasyon fonksiyonu oldukça pür teorik bir yapıya sahiptir. 55 Pindyck ve Rubinfeld. σ 2 .

46) Bu ifadeden görüldüğü gibi Φ kk . Yt −k / Yt −1 . 57 58 Tsay. • Otokorelasyon katsayıları için test istatistiği.g.3. Φ kk = ρ (Yt . 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.1. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder. (1. Kısmi otokorelasyonlar. a. a. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 . Burada SeACF(k).10. 27.e. s. diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. k .g. s. Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir. Yt − 2 .4.1.. 23 . 233. Kısmi otokorelasyonlar. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. otokorelasyon (1.e.44) t ACF ( k ) = hesaplanır.45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 ... • ACF (k ) Se ACF ( k ) (1. Yt −2 . Yt −1 . 1. Sevüktekin ve Nargeleçekenler. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar.10.Yt −k +1 ) korelasyon katsayısıdır..

Yt-2.49) Modelleme bu değişkenlerle ele alınacaktır.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi. McGraw-Hill International Edit. φ1 -1 ile +1 arasında değer aldığı varsayılan bilinmeyen parametre ve et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz bir hata terimidir 60 . 204. ekonomik değişkenlerin gelecekteki değerlerini öngörmektir.47) Φ kj = Φ k −1. Yt = f(Yt-1. Bu denklem birinci derece otoregresif J. 1. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır. s. 1997. et.1.3. 32.2. s. 59 24 .e. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir.11. a.2. Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir.….….g. Newyork. 60 Tsay. j − Φ kk Φ k −1. Yt = δ + φ1Yt −1 + et t = 1. Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi.48) 1. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 .Φ kk = ρ k − ∑ Φ k −1 .11.…) (1.…. ρ k −1 j =1 k −1 1 − ∑ Φ k −1 . f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır. et-2.T (1. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de. et-1. Econometric Methods. Dinardo. ρ j i =1 k −1 (1. Johnston ve J.k-1 için (1. k − j j=1. bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur.

Newyork. Dolayısıyla bütün rassal değişkenlerin geçmiş. Yt yalnızca Yt-1’e bağlı değil ayrıca Yt-1.g. bugün ve gelecek değerlerine bakmadan aynı ortalama ve varyansa sahip oldukları varsayılır. YT oluşum sürecinin mahiyetini tam anlamıyla bilmek güçtür. AR(1) Sürecinin Özellikleri Zaman serisi analizlerinde.e. Yt-2.g. + φ p Yt − p + et (1. C.1. Griffths. 63 W. Yani { et } temiz dizidir.E. dereceden bir otoregresif sürecin istatistiksel modeli AR(p) şu şekilde gösterilebilir: Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . R. Çünkü Yt yalnızca kendi ve bir önceki dönemdeki değerine (Yt-1) ve bir rassal kalıntıya bağlıdır. Ayrıca Yt ve Yt+k gibi herhangi iki rassal değişken arasındaki kovaryansın zamana bağlı olmadığı. Y3. Zaman serisi modelleri bir başlangıç noktasından sınırsız bir geçmişte başlayan ve sınırsız bir gelecekte de devam edecek olan Yt’ nin oluşum süreci varsayımına dayanır. Hata terimi et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz rassal değişkenler olarak varsayılır 63 . John Wiley&Sons. varyans ve kovaryansının hesaplanması önem taşımaktadır. 527. φ2 .….…. Çünkü örneklem gözlemlerinin Pindyck ve Rubinfeld. Eğer sürecin otoregresif olduğu tahmin edilse bile birinci derece otoregresif süreçten daha karmaşık olması muhtemeldir. a. 62 61 25 .1. 1993. zaman serisinin Y1.. Y2. Hill ve G.zaman serisi modelidir. 1.11. Dolayısıyla p.…. zaman serisi değişkeni Yt’ nin ortalama. s.G. Bu varsayım değişkenin geçmiş değerlerinden yola çıkarak gelecek değerlerini öngörmek için önemli bir varsayımdır. Bundan başka geçmiş ve gelecekteki rassal değişkenler örnek gözlemlerinde Y1. Bir ekonomik değişken için zaman serisi istatistiksel modeli tanımlandığında. Judge. Learning and Practicing Econometics. φ p ’ ler bilinmeyen otoregresif parametrelerdir. Bu istatistiksel model yapısı AR(1) süreci olarak tanımlanır 61 . 642. a.…’ e bağlı olabilir. φ1 .51) Burada δ bir kesme parametresi ve stokastik süreç olan Yt’ nin ortalamasını gösterir 62 . Pindyck ve Rubinfeld. 528. Yt-3. s. Y2. fakat iki rassal değişken arasındaki k sayıda ilerlemeye veya gecikmeye bağlı olduğu varsayılır..YT olduğu gibi aynı olasılık yoğunluk fonksiyonunu takip eder.e. Y3. s.

oluşturduğu veri üretme süreci rassal değişkenin geleceğini ele almıyorsa. bu durumda örneklem verilerine dayanan öngörüler güvenilmez olur 64 . AR(1) süreci için ortalama. Yt’ nin ortalaması μ = 0 olacaktır.g.e. μ = δ + φ1 μ E (Yt ) = μ = δ /(1 − φ1 ) (1. denklem (1. Bu varsayımla seri ortalamadan sapmalar cinsinden tanımlanmış olur. 66 Pindyck ve Rubinfeld. Yt = φ1Yt −1 + et (1. a. a. Denklem (1. Ortalamadaki bu tanımlama serinin varyansını ve kovaryansını etkilemez 67 . Yani E(Yt ) = E(Yt-1 ) =…= μ olur 65 . Yani ( Yt − μ )’ e ulaşılmış olur. a. Yt = δ + φ1Yt −1 + et et ~ IID(0. 527. s.g. 127.55) 64 65 Sevüktekin ve Nargeleçekenler. 26 .54) sonucu elde edilir. s. 126. s. Pindyck ve Rubinfeld. AR(1) sürecinde Yt’ nin varyansını bulmak için.53) Bir zaman serisinin gözlenebilecek sonuçları Yt bütün dönemler için aynı olasılık yoğunluk fonksiyonuna sahipse.52)’ de sabit terim δ = 0 olduğu varsayıldığında.52) Denklemde Yt’ nin beklenen değeri alındığında.g.e. E (Yt ) = E (δ + φ1Yt −1 + et ) E (Yt ) = E (δ + φ1Yt −1 ) + E (et ) E (Yt ) = E (δ + φ1Yt −1 ) (1. varyansı bütün dönemlerde aynı olmalıdır. 528. varyans ve kovaryanslar.52)’ yi δ = 0 varsayımı dikkate alınarak yeniden yazıldığında. 67 Sevüktekin ve Nargeleçekenler.g. σ 2 ) (1. Otoregresif parametrenin değeri | φ1 | < 1 ise süreç durağan olarak kabul edilir 66 . bu durumda Yt’ nin ortalaması. s.e. a.e.

58) sonucunu verir. Yt − k ) = φ1k σ Y k=0.olacaktır.1. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1. İki tarafın varyansı alındığında . Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (1. 27 . Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir. Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır. a.e. 2 γ k = Cov (Yt . Dolayısıyla k gecikmeli kovaryanslar.57) Bu kovaryans bütün rassal değişkenler için aynıdır.2.… (1.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 . Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 . 2 Var(Yt) = σ Y = Var (φ1Yt −1 + et ) = φ12Var (Yt −1 ) + Var (et ) 2 σ Y = φ12σ Y2 + σ e2 (Yt-1 ile et bağımsızdır) (1. Yt −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. Buradan Yt’ nin varyansı.59) olarak hesaplanmaktadır. Birer dönem gecikmeli kovaryans ise. 2 Cov (Yt −1 .g. s.60) 68 Tsay. 34. Cov (Yt .

… (1. 65. 74 Pindyck ve Rubinfeld. Cor (Yt . 529. a. 28 .62) ile hesaplanmaktadır 71 . 530. Patterson. Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0.2. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir. 528. ±1.11. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir.1. s. ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 .g. Yt − k ) = Cov(Yt .g. 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0.62)’ den görülmektedir.e. a. ±2. a.… (1. Yt ile Yt-k arasındaki korelasyon. s. 73 Johnston ve Dinardo. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir. İkinci derece bir otoregresif süreç AR(2). Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir. s. AR(2) Sürecinin Özellikleri k = 1. 209.g.g.g. a.e. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0.e. AR(1) süreci için otokorelasyon katsayısı. s.63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır. 72 Pindyck ve Rubinfeld.2. s.61) ile verilir 69 .1. 71 Tsay.g.k gecikmeli otokovaryans katsayısı.2. 69 70 Pindyck ve Rubinfeld. a. σ 2 ) (1.64) ile verilir 74 .… (1. 26.e.e. Ayrıca k = 0 için ρ = 1 olacağı denklem (1.e. a. Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 . 1. s.

66) yazılır 75 .67) γ 1 = φ1γ 0 + φ 2 γ 1 E (Yt − 2Yt ) = E [Yt − 2 (φ1Yt −1 + φ 2Yt − 2 + et )] (1.69) γ k = φ1γ k −1 + φ 2 γ k −2 (1.AR(2) sürecinde zaman serisi Yt’ nin ortalaması.φ1 < 1 φ2 <1 koşulları sağlanmalıdır 76 . s. a. E (Yt − k Yt ) = E [Yt − k (φ1Yt −1 + φ 2Yt − 2 + et )] (1.65) veya E (Yt ) = μ = δ /(1 − φ1 − φ 2 ) (1. Johnston ve Dinardo. AR(2) sürecinin durağan olması için. E (Yt ) = E (δ + φ1Yt −1 + φ 2Yt − 2 + et ) E (Yt ) = δ + φ1 μ + φ 2 μ (1.68) γ 2 = φ1γ 1 + φ 2 γ 0 ve k≥2 için genel olarak yazılacak olursa. δ = μ = 0 olduğunu varsayarak. 29 . s. 210. a.e. 530.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. Yt’ nin varyansı ve kovaryansı.g.e.70) 75 76 Pindyck ve Rubinfeld. φ1 + φ2 < 1 φ2 .

(1. modellerin sağ tarafında yer alan değişkenler açısından fark vardır. Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur.71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır.e. a.g.73) Denklem (1. AR(2) süreci için otokorelasyon fonksiyonu (ACF).e.11. s. 136.e.g. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . = E (Yt − p ) = μ olur. + φ p Yt − p + et (1..1.… (1.72) 1. 79 Sevüktekin ve Nargeleçekenler.. ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 . 30 . (1. k = 3.. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1. Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1. Pindyck ve Rubinfeld. 531.69) eşanlı olarak çözüldüğünde. s. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 . Denklem (1. a. s. AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın. γ0 = bulunur 77 . E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = . 531. Genel olarak AR(p) süreci.73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır. 4. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur.3.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır.g..68). 77 78 Pindyck ve Rubinfeld. a.67).73) ile geleneksel model [Yt = E (Yt ) + et ] arasında.Denklem (1. Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir.

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

Denklem (1. Pollock. s. a. Yt = μ + et + θ1et −1 (1. s.75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır. Cov(Yt . 1999. S.1.2. 517. Cov(Yt . Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans. 1. E (Yt ) = μ (1.q) bilinmeyen parametrelerdir.2. Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1.78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise. Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt .g. MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir.76) sürecin ortalaması. 51. Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . Academic Press. Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1.…. Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . θ i (i=1. Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1. 84 32 . G.80) D.sahiptir 84 . Cov(Yt . USA.79) γ2 = 0 k sayıda gecikme dikkate alındığında. A Handbook of Time Series Analysis Signal Processing and Dynamics.77) sürecin varyansı 85 .e.11. 85 Tsay.

MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 . s. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması. Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1.83) (1.g.2. E (Yt ) = μ sürecin varyansı.e. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1. 88 Pindyck ve Rubinfeld. Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir. Diğer verilerle herhangi bir korelasyon yoktur 86 . MA(1) sürecinin otokorelasyon fonksiyonu 88 . a. Cov(Yt . 655. a. a. s. 89 Pindyck ve Rubinfeld.84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise.g. a. Hill ve Judge. Griffiths.g.81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. 33 . ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1. 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. s.γk = 0 (1.e. s.82) k 〉1 1.e.2. 524. 524.85) Pindyck ve Rubinfeld. 524.83) ile ifade edilir 89 .11. MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1.g.e.

MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması. 144-145. Cov(Yt . s.87) γ3 = 0 O halde k dönem gecikmeli kovaryans.3. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1. Yt − k ) = γ k = 0 olur 90 . 90 91 Sevüktekin ve Nargeleçekenler. s. a.90) (1.e.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. varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir. Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1.e.88) (1. Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir. a.91) (1.92) ρk = 0 bulunur 91 . MA(2) sürecinin otokorelasyon fonksiyonu ise.2. 1.g. Cov(Yt . 34 . (1. 524.g.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1.11. Pindyck ve Rubinfeld. Cov(Yt .

. a. 657.…. + θ q et − k − q ) ] =E[ θ k et2− k + θ k +1θ1et2− k −1 + θ k + 2θ 2 et2− k − 2 + ... sabit varyanslı ve korelasyonsuz hata terimi ve (θ1.93) olarak yazılır 92 . 92 93 Pindyck ve Rubinfeld.q için. + θ qθ q − k et2− k − q ] (1. 523. dereceden hareketli ortalama süreci. a.95) Hata terimi et bağımsız ve korelasyonsuz olarak varsayıldığı için bütün çapraz çarpım terimlerinin beklenen değeri sıfırdır 94 . + θ q et − q )(et − k + θ1et − k −1 + θ 2 et − k − 2 + . Hill ve Judge.g. + θ q2σ e2 [ ] γ 0 = σ e2 (1 + θ12 + . E (Yt ) = μ sürecin varyansı. (1. 35 . a. = σ e2 + θ12σ e2 + .g.... k=1.e. 95 Sevüktekin ve Nargeleçekenler.e.96) Farklı tarihlerdeki et’lerin çarpımlarının beklenen değeri sıfır olduğu için eşitlikten çıkarılır ve θ 0 birim değer olarak tanımlanır. Yt = μ + et + θ 1et −1 + θ 2 et − 2 + .. γ i = E[ (et + θ1et −1 + θ 2 et − 2 + .….q. s... 94 Griffiths.e.g. θq) parametreleri herhangi bir reel sayıdır. γ k ’nın tanımından ortak tarihli et’ lerin de beklenen değeri sıfır olduğu için eşitlikten çıkarılır 95 .. MA(q) sürecinin ortalaması. + θ q2 ) olur 93 . Pindyck ve Rubinfeld. k>q için. s. a.e. Var (Yt ) = γ 0 = E (Yt − μ ) 2 (1.. 147.94) = E et2 + θ12 et2−1 + . θ2. + θ q et − q (1... + θ q2 et2− q + 2θ1θ 2 et −1et −2 + ...2.g. Burada et ortalaması sıfır. s. 522. s..

Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır. + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 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 = . MA(q) süreci için otokorelasyon fonksiyonu.. q k〉q (1.. s. (1. a.. θ q ) ’ nun herhangi bir değeri için MA(q) süreci kovaryans durağan 96 olarak ifade edilir. 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. 1.e. 36 ... ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + . Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 . ⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + .g. q (1.86) ve (1. + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1. gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır..87)’ de ifade edildiği gibi. θ 2 . 98 Pindyck ve Rubinfeld.2..g.2.... = 0 (1..85)..11. s.. + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + ..Bu durumda.. 97 Sevüktekin ve Nargeleçekenler.98) (θ 1 ..99) k〉q olur 97 . a.e.97) MA(2) sürecindeki denklem (1.. 96 Bir süreç zayıf veya kovaryans durağan ise.. Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil.. 148.3.

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

E (Yt −1et −1 ) = E [(φ1Yt − 2 + et −1 + θ1et − 2 )et −1 ] = E (et2−1 ) = σ e2 ile tanımlanır.. Yt-2 veya et-2 ile korelasyonlu değildir.e. γ k sırasıyla. Bu ifade de et-1. 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 (1.107) γ k = φ1γ k −1 k≥2 Otokorelasyon fonksiyonu. Pindyck ve Rubinfeld. Kovaryanslar ise γ 1 . 536.106) (1.104) elde edilir 101 .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. a. γ 0 (1 − φ12 ) = σ e2 (1 + θ 12 − 2φ1θ 1 ) ve φ1 < 1 ise varyans.108) (1.109) ρ k = γ k / γ 0 = φ1 ρ k −1 olur 102 .. γ 2 . s. 38 . s.g. 535.e.. ρ1 = γ 1 (1 + φ1θ1 )(φ1 + θ1 ) = γ0 (1 + θ12 + 2φ1θ1 ) k≥2 (1. γ0 = (1 + θ12 − 2φ1θ1 ) 2 σe (1 − φ12 ) (1.g..105) γ 2 = E (Yt − 2Yt ) = E [(Yt − 2 (φ1Yt −1 + et + θ1et −1 )] = φ1γ 1 ve (1. 101 102 Pindyck ve Rubinfeld. Yukarıdaki ifade düzenlendiğinde. a.

e. k ≥ q+1 için otokorelasyon fonksiyonu ve kovaryansları pür otoregresif sürecin özelliklerini gösterir 103 . + φ p Yt − p + ∆d Yt + et + θ 1et −1 + .110) ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 + .4.3.g.Yt-1 103 104 (1.. ARMA(p.113) Pindyck ve Rubinfeld. a.11. 538.. k ≥ q+1 (1. 1. ∆Yt = Yt ..g. 1.e. q sürecin hareketli ortalama kısmının belleğidir.. d=1 için.1) süreci AR ve MA bileşenlerinin bir kombinasyonudur. Ancak gerçek hayattaki zaman serilerinin çoğu zaman boyunca değişen belirli bir stokastik sürecin özelliklerini taşıması nedeniyle durağan değildir 104 . 228. s. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) Seriler durağan sürece sahip olduğu varsayımından hareketle AR. Böyle zaman serilerine entegre süreç adı verilir. s.q) sürecinin kovaryansı.g.. + φ p γ k − p Otokorelasyon fonksiyonu. Ancak bu zaman serilerini durağanlaştırmak için serinin bir veya daha fazla farkını almak suretiyle dönüştürme işlemi gerçekleştirilebilir.. MA süreci bir dönemlik belleğe sahip olduğu için.112) şeklindedir. Pindyck ve Rubinfeld. a. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA sürecinin özelliklerini birlikte gösterir. ARMA(p. 39 . + φ p ρ k − p k ≥ q+1 (1.111) ile gösterilebilir.2.11. bir gecikmeden sonra AR bileşeninin etkisiyle otokorelasyon fonksiyonu azalan bir davranış sergiler.. 537.e. Yt = φ1Yt −1 + .q) Sürecinin Özellikleri Daha yüksek dereceden süreçler için. γ k = φ1γ k −1 + φ 2 γ k − 2 + .. Burada ∆d entegrasyon işlemi anlamına gelir 105 . s. a. 105 Johnston ve Dinardo. + θ q et − q (1. MA ve ARMA süreçleri yukarıda ifade edilmiştir. Genel ifadesi.ARMA(1.

AR(p) veya ARMA(p. 270. 108 Recep Tarı. q değerleri belirlenir. s. Zaman serisinin modelini kurmada ortaya çıkan problem. Yöntem dört aşamadır 108 : 1. Ekonometri. Aşama: Uygunluk Testi Bu aşamada tahmin edilen regresyonun (ARIMA modelinin) incelenen seriye uygun olup olmadığı araştırılır. San Francisco. 40 .Jenkins yöntemi uygulanmaktadır. 109 Kutlar. Avcı Ofset. Bunun için regresyonun hata terimlerinin korelogramı incelenir. Eğer otokorelasyon fonksiyonu herhangi q zirveye sahip ve ondan sonra kesintiye uğruyor ise modelin q mertebede MA(q). d. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse modelin uygunluğuna karar verilir.E. q değerlerinin seçimidir. 1976. 19. Jenkins G.e. s. Bir seride bu değerlerin bulunmasında Box.. M. Aşama: Tahmin Birinci aşamadaki değerlendirmeler ışığında belirlenen ARIMA modeli tahmin edilir. s. 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. 429-430.q) süreçlerinden hangisine uygun olduğu tespit edilir. Aşama: Belirlenme Bu aşamada uygun p.. 542.2Yt-1 + Yt-2 (1.q) olduğu söylenir 109 .olur.12. Holden Day. Box-Jenkins yöntemi 107 durağan zaman serilerinin modellemesinde kullanılır. Box G. ∆2 Yt = ∆(YtYt-1) = Yt . İstanbul. Bunun için serinin korelogramı çizilir. en uygun p.Jenkins (BJ) Yöntemi Box. d. 2005. s.g. 2. Time Series Analysis: Forecasting and Control. zaman serisi verilerinin analizinde en yaygın kullanılan yöntemlerden biridir 106 . Serinin korelogramından MA(q).Jenkins yaklaşımı. 3. a.114) 1. 106 107 Maddala.P. Box. Introduction to Econometrics. d=2 için.

Tablo 1.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.4. 168.4 ACF ve PACF’ nin Teorik Davranışları Model Otokorelasyon Fonksiyonu (ACF) AR(p) MA(q) ARMA(p. Zaman Serileri Analizi. s. Durağan modeller için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının teorik davranışı Tablo 1. Aşama: Öngörü Tahmin edilen ARIMA modeli ile öngörü yapılmaktadır. 41 . Kaynak: Sevüktekin ve Nargeleçekenler.

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

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

Introduction to Econometrics. fakat DW (Durbin Watson) istatistik değeri küçüktür. yapılan tahminde sahte (spurious) regresyonu ortaya çıkarır 7 . Baltagi. UK. Korelogram. 111-120. 10 Sevüktekin ve Nargeleçekenler. Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının.J. Granger. 171. s. a. Sayı: 2.2 Durağan Olmayan Bir Zaman Serisi Grafiği Kaynak: Maddala. 241.W. 2. s.g. 44 . s. Journal of Econometrics. C. Fakat sonuçların bir ekonomik anlamı bulunmamaktadır. 530. Sahte (Spurious) Regresyon Zaman serisi kullanarak oluşturulan regresyonda durağan olmayan serilerin kullanılması. Eğer seri belirli bir ortalama 7 8 Badi H. “Spurious Regressions in Econometrics”. Durağan olmayan bir zaman serisinin. 2.1. Granger ile Newbold’ un önerdikleri gibi 8 . s. 557. A Companion to Theoretical Econometrics. Newbold. Regresyon çıktılarına bakıldığında R2 yeterince yüksek ve t istatistikleri anlamlıdır. 9 Enders. s. durağan olmayan bir zaman serisine göre regresyonu oluşturulduğunda standart t ve F sınamaları sınama süreçleri geçerli değildir 9 . 2003. 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 .2.e.g. (1974). a. P. R2>DW ise tahmin edilen regresyonun sahte olduğundan şüphelenmek için gevşek bir kuraldır. Blackwell Publishing.e. otokorelasyon fonksiyonunun seçilen gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir.Şekil 2.

AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır.e.g. 229. s.2) Bu test istatistiğinin istatistiksel olarak anlamlı olup olmadığını anlayabilmek için k serbestlik derecesi ile ki-kare tablo değeri karşılaştırılır 15 . Baltagi. a. s. 2008. a.e. s. s.g. seçilmiş anlamlılık düzeyinde ki-kare tablosundaki kritik Q değerini aşarsa bütün örneklem otokorelasyonlarının sıfır 11 12 Sevüktekin ve Nargeleçekenler. 27. Test istatistiği tablo değerinden küçükse Q istatistik değerinin anlamlı olmadığı yani serinin durağan olduğu sonucuna varılır. ACF (k ) 2 2 LB =n (n+2) ∑ ≈ χm n−k k =1 m (2. 14 Tarı.Se ACF ( k ) ) ve ± (t t . SePACF ( k ) kısmi otokorelasyon katsayısının standart hatasıdır12 . Eğer hesaplanan Q değeri.Se PACF ( k ) ) güven sınırlarını göstermektedir. 358. İstatistiksel olarak anlamlı otokorelasyonların varlığı serinin durağan dışılığını yansıtır11 . 2.etrafında dalgalanmıyorsa.05 anlamlılık düzeyinde t tablo değeri (1. Ekonometri paket programı Eviews’ ta kullanılan Q istatistiği de Ljung-Box Q istatistiğidir. 45 .2. Springer-Verlag. 13 Tsay. Bu amaçla geliştirilen farklı Q istatistikleri söz konusudur. Bu istatistik şu şekilde hesaplanır 14 .g. s. Korelogramda otokorelasyon ve kısmi otokorelasyon grafiklerinde kesikli çizgi ± (t t . Berlin Heidelberg. Burada tt 0.96). Se ACF (k ) otokorelasyon katsayısının standart hatası. Sevüktekin ve Nargeleçekenler. a. Q İstatistikleri: Portmanteau Testleri Q istatistikleri bir grup otokorelasyon katsayısının sıfırdan anlamlı bir şekilde farklı olup olmadığını test etmeye yarayan bir istatistiktir13 . Otokorelasyon katsayılarının anlamlılık testleri Q istatistikleri ile gerçekleştirilir. 392.1.g. Econometrics. 241.e.e. a. 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. yukarıya veya aşağıya doğru eğilimliyse otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönüyorsa bu serinin durağan olmadığı düşünülür. 15 Badi H.

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

a. Unit Root Cointegration and Structural Change. Durağan olmayan zaman serisindeki stokastik trend yapısı dışlanarak seri durağanlaştırılır. s. zaman serisi modeline trend bir regresör olarak ilave edilerek gerekli analizler yapılır. Trend durağan olmayan süreçler için durağanlaştırma iki temel yaklaşımla gerçekleştirilmektedir16 . Bir zaman serisinin sahip olduğu deterministik trend yapısı zaman yolu grafiği kullanılarak ortaya konulabilir. σ 2 )’ dir. 1998 s. Trend Durağanlık ve Fark Durağanlık Durağan olmayan zaman serilerinde durağan dışılığın nedenleri serilerdeki deterministik trend veya stokastik trenddir. et ~ IID(0.g. Birinci yaklaşım. 17 Gujarati. Cambridge. deterministik trend yoksa stokastik trend olması muhtemeldir. İkinci yaklaşımda ise. Yt = μ + βt + et bileşendir 17 . serinin sahip olduğu deterministik trend etkisiyle ortalamasının değişmesi. durağan olmayan zaman serisi için kurulacak regresyon denkleminde.2. et ~ IID(0.5) 16 Maddala G.3. σ 2 ) durağan stokastik olarak tanımlansın. 18 Enders. Cambridge University Press. zaman serisini durağan dışı gösterir. t deterministik trend.4) (2.3) Burada Yt zaman serisi. Bu durağanlaştırma işlemi fark alma olarak tanımlanmaktadır. Kim. s. Örneğin basit bir pür rassal yürüyüş serisi Yt = Yt −1 + et (2.e. 167. S ve I. Modelin her iki tarafında birinci fark alındığında varsayım gereği durağan olmayan Yt serisi durağan hale gelecektir 18 . Burada Yt-1 stokastik trend. 47 .g. 4. Eğer durağan olmayan zaman serisinde. Gerçekte durağan bir zaman serisinde. M. seri trend (zaman) üzerine regrese edilir. a. Yt − Yt −1 = et (1 − L)Yt = et ∆Yt = et (2. 821. Daha sonra bu regresyondan elde edilen kalıntılar üzerinde analizler yapılır.e.

1995. a. Harris.g. Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin). 802. Dinardo. Using Cointegration Analysis in Econometric Modelling.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı.g. 221.e. Printice Hall. s. I. Econometric Methods. 221.e. s.4. 2. 48 . Gujarati. D. Şekil 2. s. serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı.1. Johnston ve J. a. s. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır. değişkenin bir 19 20 Johnston ve Dinardo. Londra. Bir zaman serisinin uzun dönemde sahip olduğu özellik. 21 R.5 Trend Durağan ve Fark Durağan Seriler Kaynak: J.4. Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 . 28. 2. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 .

geçmiş dönemlerdeki şoklar belli bir süre etkilerini sürdürseler de. 393-394. Bu nedenle serinin nasıl bir süreçten geldiğini anlamak için.e. Eğer ρ katsayısı birden küçük çıkarsa. τ (tau) istatistiği (DF-test istatistiği) 22 23 (2. bu dönemi nasıl etkilediğinin belirlenmesiyle ortaya çıkarılabilir. Burada ut kalıntı terimidir. serinin her dönemde aldığı değerin daha önceki dönemlerdeki değerleriyle regresyonunun bulunması gerekmektedir. Yt değişkeninin bu dönemde aldığı değerin geçen dönemdeki değeri olan Yt-1 ile ilişkisi. Bu model birinci dereceden otoregresif AR(1) modelidir. Bu amaçla geliştirilen birim kök testi ile serilerin durağan olup olmadıkları belirlenebilmektedir. Denklem (2.e. Bu bir önceki dönemde iktisadi değişkenin değerinin ve dolayısıyla o dönemde maruz kaldığı şokun olduğu gibi sistemde kalması anlamına gelir.7) şeklini almaktadır. a. ilgili hipotezler durağan olmama durumunu ifade eder. a. bu etki giderek azalacak ve kısa bir dönem sonra tamamen ortadan kalkacaktır 22 . s. Gujarati.8)’ e göre H0 : ϕ = 0 olup. Bu şokların kalıcı nitelikte olması serinin durağan olmaması ve zaman içinde gösterdiği trendin stokastik olması anlamına gelir.8) ΔYt = Yt − Yt −1 ’ dir.g.6) nolu denklem başka bir biçimde şu şekilde de yazılabilir: ΔYt = ( ρ − 1)Yt −1 + u t = ϕ Yt-1+ ut (2.g. (2. Yt serisinin birinci farkları durağan olacaktır 23 . 49 .6)’ ya göre H0: ρ = 1 ve denklem (2. Eğer ρ katsayısı bire eşit bulunursa birim kök sorunu (durağan olmama durumu) ortaya çıkmaktadır ve model Yt = Yt −1 + u t (2. Bunun için uygulanan test DickeyFuller (DF) testidir. s.önceki dönemde aldığı değerinin. 814. ρ = 1 olduğunda ϕ = 0 olacaktır ve böylece ΔYt = Yt − Yt −1 = u t olacağından. Bu testte bilinen t istatistiği. Yt = ρYt −1 + u t (2.9) Tarı. Bu durumda artık sıfır hipotezi ϕ = 0 olarak tanımlanır.6) şeklinde ifade edilir.

Sayı: 18. 27 Gujarati. dolayısıyla belli bir zaman sürecinde stokastik (olasılıklı) olarak değişen trend etrafında dağılırlar. Eğer τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden küçükse. s. a.g.g.A. a.e. Sayı: 74. (1979). s. Beta Yayınları. 28 Enders. D. 25 24 50 . 387.13) bu modele DF sınaması uygulanırsa. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.g. 2. a. Fuller. (1992). τ (tau) istatistiklerinin kritik değerleri Dickey ve Fuller tarafından Monte Carlo benzetimleriyle tablolaştırılmıştır 25 . 182. 26 Tümay Ertek. dereceden bütünleşik (entegre) olduğu söylenir ki bu onların otoregresif yapılarının bir birim köke sahip olduğu anlamındadır. 817. 182.olarak adlandırılır ve τ istatistiklerinin değerlendirilmesinde bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t dağılımına uymaz) 24 . Bu nedenle τ istatistiği MacKinnon kritik değerleri ile karşılaştırılır. s. τˆμ ve τˆβ istatistikleri kullanılır 28 . Ekonometriye Giriş. W. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. İstanbul. 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. s.11) (2. Birçok iktisadi zaman serisi durağan sürece sahip olmazlar. 29 Bentzen Jan ve Engsted Tom. 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.e. Böyle süreçlerin 1. 427-431.e. Dickey. s. H0 hipotezi reddedilemez ve serinin durağan olmadığı (birim kök içerdiği) sonucuna varılır 26 .10) (2. Bu çeşit durağan olmama durumu tüm değişkenlerin birinci farklarının alınmasıyla sıklıkla ortadan kaldırılır 29 . Journal of the American Statistical Association. Bir serinin Enders.12) Burada t zaman ya da genel eğilim değişkenidir. ˆ Dickey Fuller testinde kullanılan yukarıdaki üç model için sırasıyla τ . Institute Of Economics Aarhus School of Business. No.A. buna Genişletilmiş Dickey Fuller (ADF) sınaması adı verilir 27 . s. 366. 1996.

boş ve alternatif hipotezler bu şekilde olmaktadır. 2.g.14) olur.g. a. Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 . Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. ρ =1 ise yani birim kök varsa ϕ =0 olur. zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir. a.g. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken. Durağan olmayan bütünleşik seriler. a. s. 210.1. Patterson. Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 . Durağan seriler bir şoktan sonra ortalamasına geri döner. 32 Patterson. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için. s. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 . Dickey-Fuller tarafından 30 31 Tarı. 51 . 405. 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.e. 227-228-229.1. zaman serilerinin niteliği göz önüne alınmalıdır.birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında. H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde.e.4.2. s. ˆ 2. Φ1 ve Sınaması τˆμ Test İstatistikleri Birim kök sınamasında ele alınan üç farklı modeldeki katsayıların birlikte anlamlılığının testine izin veren bir test olan Φ testi.e. ΔYt= ϕ Yt-1+ut (2.4.1.

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

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

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

ve sınaması τˆμ test istatistikleri uygun başlangıç noktasıdır.21) olacak ve vt ile vt-1’ in k>1 için otokorelasyonları.1. k kısıtsız denklemdeki katsayıların sayısı.. D. 1057-1072. a. + φ p Yt − p + ε t (2. (1981). s. sıfırdan farklı olacaktır.g. 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 ) (2.19) olmasına rağmen AR(1) modeli. DF Testleri İle Birleşik Hipotez Testi Dickey ve Fuller 43 çalışmalarında β 0 . 43 42 55 . 238-239.A Dickey ve W. a. Alternatif olarak Patterson.4. s. 2. SSRu kısıtsız denklemin kalıntı kareler toplamı.18) Burada.g.20) (2. Seride açıkça görünen bir ˆ trend yok ve alternatif hipotez altında ortalama sıfır ise τ istatistikleri uygun başlangıç noktası olacaktır. Bu nedenle AR(1) modelinin uygun olup olmadığı konusunda.4.2.g. s. Sıfırdan farklı otokorelasyonlar var ise AR modelinin derecesi arttırılabilir45 . Yt = μ + φ1Yt −1 + vt kullanılmış ise.19) verileri yaratan süreç denklem (2.A Fuller. 44 Bozkurt. 233-234.e. bu halde vt = φ 2Yt − 2 + .. T gözlem sayısı. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica.. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + .e. s. 37-38. gecikmeli Yt değerlerinin mevcudiyeti nedeniyle. 45 Patterson. + φ p Yt − p + ε t (2.4.. a. SSRr kısıtlı denklemin kalıntı kareler toplamı. 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 . 2.e. Genişletilmiş Dickey-Fuller (ADF) Testi AR(p) süreci şu şekilde ifade edildiğinde. modelin kalıntılarının otokorelasyonu incelenerek yardım alınabilir. r kısıtların sayısıdır 44 . Sayı: 49.

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

Genel olarak ADF(p) modeli.e. Bu sayede otokorelasyon sorunu ortaya çıkmamaktadır. Phillips.28) Patterson. a. 51 50 57 .e.e. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + ε t j =1 p (2. a. Dickey-Fuller birim kök testi hata terimlerinin istatistiki olarak bağımsız olduklarını ve sabit varyansa sahip olduklarını varsayar. (1988).g.g. 240. Sayı: 75.e. Genişletilmiş Dickey Fuller testi. Phillips-Perron birim kök testi ise hata teriminin zayıf derecede bağımlı olmasına ve heterojen olarak dağılmasına izin vermektedir 53 . Phillips-Perron (PP) Testi Zaman serilerinin bir çoğunun durağan bir sürece sahip olmamaları. 229. 1 ~ ~ ~ ~ y t = μ + β (t − T ) + α y t −1 + u t 2 (2. Biometrika. 52 Bozkurt. s.26) şeklini alır. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + βt + ε t j =1 p (2. ˆ ˆ ˆ yt = μ + αyt −1 + u t . Bu durumu daha iyi anlamak için şu regresyonlar dikkate alınır 54 . B. Pierre Perron.g. 54 Peter C. Modele deterministik trend ilave edildiğinde. 304. Ancak literatürde başka birim kök testleri de mevcuttur 51 . Phillips ve Perron (1988) Dickey-Fuller’ ın hata terimleri ile ilgili varsayımını genişletmişlerdir.27) olur ve tüm test prosedürleri aynı şekilde uygulanır 50 .4.3. 2. a. 53 Enders. 335-346. s. s. s. 41. modele gecikmeli değerler ekleyerek Dickey-Fuller testini otokorelasyon problemine karşı düzeltmiştir. s. “Testing for a Unit Root in Time Series Regression”. Sevüktekin ve Nargeleçekenler. Uygulamada en çok kullanılan birim kök testi Dickey-Fuller birim kök testidir. a.g. birim kök hipotezini inceleyen istatistiki testlere olan ilgiyi arttırmıştır 52 .

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

a.m.30) (2. 59 . s. σ e2 ) ve ut ~ IID(0.2. KPSS test istatistiğinin hesaplanabilmesi için. σ u2 ) göstermektedir. l ) .varyansa sahip olduğunu ve serinin deterministik trend. et durağan kalıntıları (et ~ IIDN(0. t deterministik trend.31) Burada wt modelin rassal yürüyüşü. 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.g. l ) = 1 − s /(l + 1) (2. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s. 164.35) 59 Kwiatkowski and et.32) Burada S t kalıntıların kümülatif toplamı. Yt = β t + wt + et wt = wt −1 + u t (2. l ) ∑ et et − s t =1 s =1 t = s +1 (2.34) Burada w( s. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar.T l T (2.33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s. seri regresyon yöntemiyle deterministik trendden ve kesme teriminden arındırılarak bu denklemden elde edilen kalıntıların varyansının sıfıra eşit olup olmadığını sınayan şu test istatistiği hesaplanır: ˆ η = T − 2 ∑ S t2 / s 2 (l ) t =1 T (2. rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder.…. al.

Stock. yt zt G. Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir. Seride kesme ve trend gözleniyorsa c = -13. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde. Nokta Optimal testi. 2 PT = [S (α ) − α S (1)] / s AR (2. 1’ ler ve deterministik trendden oluşan vektördür). T. “Efficient Tests for an Autoregressive Unit Root” Econometrica. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir. Seride sadece kesmenin olması durumunda c = -7. y t = d t + αyt −1 + ε t (2. ~ = y − β 'z yt t t (2.5 alınır. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır. Rothenberg ve J. burada zt =(1. 813-836. ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı. s. (1996). :α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. Burada α =1+ c / T olarak hesaplanmaktadır. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır.37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir. ADF-GLS testi için kurulacak hipotez. Elliott.t)’ olarak hesaplanmaktadır ( zt .38) şeklinde hesaplanır. 60 60 .4. S (1) . deterministik trend veya kesmenin olması koşulu aranmaktadır 60 .2. J.0 alınmaktadır. Burada S (α ) kalıntı kareleri toplamı. H.5. Sayı: 64.36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir.

~2 ..m. ~2 ..~ ve ~ şöyle tanımlanır... Econometrica. Perron.42) Hesaplamada.. NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 . “Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. 62 61 61 . a.. Ng... 435-463. DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır.41) olmak üzere.. (1 − α L) z 2 . al.43) Elliott and et. 2. Sayı: 69.40) Ng-Perron birim kök testi. PP testinde serilerde negatif hareketli ortalama yapısı olduğunda.. ~t ) = ( y1 . 1519-1554. büyük oranda hata teriminde örneklem çarpıklığı olmaktadır. s.. Ng ve P.. yt zt ~ ~ ( ~1 . (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 . Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır. (1996). 63 S. (1 − α L) y 2 . 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. P...g. ADF testi gibi bir regresyon denklemi kurulur: Δy t = dt + β 0 y t −1 + ∑ β j y t − j + etk j =1 k (2.6. s. The Review of Economic Studies.39) (2. (2001).4.. T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2. Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır. Ng-Perron Testi (2. Sayı: 63. Perron ve S.. (1 − α L) y t ) y y y ~ ~ ( ~1 . ~t ) = ( z1 . 831.

t } 1 ise ise (2. CT (τ T (k ) + k ) T − k max (2. Bu aşamadan sonra test istatistikleri denklem (2. a.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 .49) (2.Buradan.45) (2.48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2. 1529. 62 . Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada.42) deki formüllere göre bulunabilir. s. 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 = { .m.g. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur.44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2. 64 Ng ve Perron. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir.46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır. ˆ ˆ β (1) = ∑ β i 1 k (2.

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. Türkiye İstatistik Kurumu Matbaası. 1973.e. 2007.636. s. 1 2 TÜİK. 423. 63 . kurum ve kuruluşlara ait kesin bütçe değerleri. s. İhracat bilgilerinde ise ülke içinde üretilen.g. 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.1.ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan İstatistik Göstergeler (1923-2006)’ de yer alan İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı verileri kullanılmıştır. Ankara. Bu çalışmalarda TÜİK’ in cari anketlerinden elde edilen kesin sonuçlar. 3. 1968. imal ve istihraç edilen mallardan yapılan ihracat kapsanmaktadır 2 . Ayrıca daha önce yapılan yıllık hesaplamalara dahil edilemeyen bazı maddeler ve ekonomik alt sektörlerde sisteme dahil edilmek suretiyle kapsam genişletilmiştir. TÜİK. a.2. 3. 1979 ve 1985 input-output tablolarından alınan teknik katsayılar ve 1987 yılının gösterge ve ağırlıkları kullanılmıştır. Eski GSMH serisi yeni kapsama göre revize edilerek 1968 yılına kadar geriye dönük yeni bir seri elde edilmiştir 1 .

3 4.6 3.7 12.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8.5 12.2 İhracatın GSMH içindeki payı (%) 5.7 2.4 10 9. 434-435.6 9.3 6 5 5.1 3.7 2. USA.7 2. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .6 7.1 9. Quantitative Micro Software.8 2.9 19.3 6.3 5.3 2 2. 3 Eviews 5.6 7.9 9.3. Tablo 3.9 3. İstatistik Göstergeler 1923-2006.1 14.7 12.6 7. 2005.8 7.9 4.3 8.8 21. 64 .6 8.9 12. LLC. s.4 13.5 4.9 11.5 19. Seri.8 İhracatın GSMH içindeki payı (%) 3.3.6 13.1 5.4 21.9 10.9 4 4.2 9.1 yardımıyla analiz edilmiştir.4 4 2.7 4 3 3.7 7.1 20.9 3. 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. ekonometri paket programı Eviews 5. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi.7 9.9 4. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.7 6.7 13.4 11.2 10 7.1 11.5 4 5.9 11.8 4.8 8.9 8.2 10.7 7.2 9 8.3 3.8 9.9 İhracatın GSMH içindeki payı (%) 9.4 2.7 3.9 21.4 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.1 8.1 User’s Guide.6 8.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5.3 6.6 13.

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

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

3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir.Se ACF (k ) ) = ± (1.96 ile karşılaştırıldığında tACF(1) = 8. tACF(1) = şeklinde 0. Se ACF (k ) = 1 84 = 1 = 0. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır. Seri belirli bir ortalama etrafında dalgalanmadığı için.Şekil 3. Bu çizgilerin oluşturduğu alan.165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri.109 0. s. 391.213 olacaktır.906 = 8.311 0.Se ACF (k ) ) ile hesaplanır.e.3’ de otokorelasyon katsayıları için güven aralıkları ise.96*0. 67 . ± (t t .109) = ± 0. O halde serinin durağan olmadığını söylemek mümkündür. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir. a.g. dışına taşıyor ise var demektir 4 . Kısmi otokorelasyon fonksiyonu 4 Tarı. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası. ± (t t . Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa. Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur. Şekil 3.05 anlamlılık düzeyinde kritik tablo hesaplanır.311 > t t =1.96 olduğundan boş hipotez reddedilir. istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır. Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı. İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir.109 9. t t =1. Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir.

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

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

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.2.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.1. 12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3. 72 .7’ deki gibi olduğu bulunur.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8.Tablo 3. Tablo 3. 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.5. Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir.

8 β 0 kesme teriminin anlamlığına bakıldığında. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder.857). %5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında.308<2. 73 .e. Tablo 3. Hesaplanan test istatistiği.g.735 ve p=0. 8 9 Patterson.7’ deki kesme teriminin t istatistiği değeri (1.e. Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3. 0. a. s.857 <4.308). Obs*Rsquare=11.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır.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. 231. Patterson. s.g. %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında.8’ de elde edilen F istatistiği (0. serisel korelasyon yoktur.46 olduğundan H 0 reddedilemez. a.740 olduğu görülür. 238.86 olduğu görülür.

10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8.5.Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. 3.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 . %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.1.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3.10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.3. LIHR Serisi İçin τˆ Sınaması Tablo 3.

seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.Tablo 3. 75 .2. mutlak değerce küçük olduğu görülmektedir. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. 3. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. seride birim kökün varlığını ve serinin durağan olmadığını.5. H 1 alternatif hipotez ise. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. %1. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir. Burada H 0 boş hipotezi.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1.87).172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.

3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir. Buradan serinin bir birim kök içerdiği sonucuna varılır. seride birim kökün olmadığını ve serinin durağan olduğunu. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.Tablo 3.5. seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. H 1 alternatif hipotez ise.127). birim kök yoktur H 1 : Seri durağan değildir. Çünkü PP test istatistiği (-8.55).15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. H 0 : Seri durağandır. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. Burada H 0 boş hipotezi. birim kök vardır.14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. 76 .15. mutlak değerce küçük olduğu görülmektedir. %1. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir. 3. %1.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. Tablo 3.

5. Burada H 0 boş hipotezi.16’ ya göre.4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir. test istatistiği (0. H 1 alternatif hipotez ise.Tablo 3.03). Tablo 1) Düzey değerleri için yapılan KPSS birim kök test sonuçlarını gösteren Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. Seri birim kök içermektedir ve durağan değildir.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 . 3.16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3. test istatistiği (0. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır. LIHR serisinin birinci farkı alınarak yapılan KPSS testinin sonuçlarını gösteren Tablo 3. seride birim kökün varlığını ve serinin durağan olmadığını.17’ ye göre.27).

53).5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. H 1 : Seri durağandır. Tablo 1) Tablo 3. 3. H 1 alternatif hipotez ise. mutlak değerce küçük olduğu görülmektedir.18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. Tablo 3.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1. birim kök yoktur 78 . birim kök vardır.5. Burada H 0 boş hipotezi.Tablo 3. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg.Stock (1996. seride birim kökün varlığını ve serinin durağan olmadığını. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. H 0 : Seri durağan değildir. %1.19.

birinci farkları ile durağan olduğu yapılan korelogram ve birim kök testlerinden anlaşılmıştır.21 Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi * Ng-Perron (2001. Tablo 1) Tablo 3. Korelogramdaki ACF grafiği. kritik değerlerden mutlak değerce büyük olduğu için birinci farkı alınan LIHR serisinin birim kökünün olmadığı ve durağan olduğu sonucuna varılır. 3. LIHR Serisi İçin Box Jenkins (BJ) Yöntemi 1. Durağan I(1) LIHR serisinin AR ve MA durumunu araştırmak için.6. Burada test istatistikleri. Aşama: Belirlenme Logaritmik ihracatın GSMH içindeki payı (LIHR) serisinin düzey değerleri ile durağan olmayıp. Tablo 1) Tablo 3. otokorelasyon değerlerinin giderek azalan bir yapıda olduğunu göstermektedir. Tablo 3.3’ deki korelogramına bakılır.Perron testi sonuçları verilmektedir. Her iki sütun içinde test istatistikleri.21’ de birinci farkı alınan LIHR serisi için Ng. LIHR serisinin Şekil 3. Bu da seride bir birim kök olduğunu gösterir.20 LIHR Serinin Düzey Değerleri İçin Ng-Perron Testi * Ng-Perron (2001.Tablo 3. Bu durum modelde MA’ nın derecesinin sıfır olduğunu göstermiştir yani seri hareketli 79 . kritik değerlerden mutlak değerce küçük olduğu için LIHR serisinin birim kökünün olduğu ve durağan olmadığı sonucuna varılır.20’ deki Ng-Perron test istatistiklerini MZa ve MZt sütunlarındaki kritik değerlerle karşılaştırmak birim kök testi için yeterlidir.

bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir. 80 .007 + 0. İlgili korelogram Şekil 3. Bunun için hata terimlerinin korelogramı incelenir.1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir.132 ve -0. Aşama: Uygunluk Testi (3. Δlihrt = 0.073 bulunmuş olup. 2. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır. 3. Böylece serinin ARIMA(1.102Δlihrt −1 + et olur. Yani AR(1) durumu söz konusudur. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir.5’ de görülmektedir. Tahmin edilen model.1)’ deki modelin uygunluğuna karar verilir.0) yapısına sahip olduğuna karar verilmiştir. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir.ortalamaya sahip değildir. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir.1.

otokorelasyon ve kısmi otokorelasyon çubuklarının hepsinin %95 aralığı içinde kaldığı görülecektir.0) Modeli Hata Terimlerinin Korelogramı Korelogram incelendiğinde.1.5 ARIMA(1. 81 .Şekil 3. Dolayısıyla bu model uygundur ve öngörü için kullanılabilir.

1.171334 109.0 -.1055 0.Tablo 3.22 ARIMA(1. 1990 2000 Şekil 3.896970 0.6 Modelin Öngörü Performansı Şekil 3.4 -.E.2 -.48>0.4 . Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 . 0. Bu model öngörü için kullanılabilir.22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11.813714 0. Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak. 4.2 Forecast: DLIHRF Actual: DLIHR Forecast sample: 1923 2010 Adjusted sample: 1925 2007 Included observations: 82 Root Mean Squared Error Mean Absolute Error Mean Abs. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3.05 olduğu için). Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0. H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.48 olmuştur. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı. .186286 .000000 0.221000 0.6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır.578 çıkarken p değeri 0. 2007 yılı için öngörü yapılabilir.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S.6 .0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler.

DLIHRF . 2.063+0. a.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3. 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.02 -.2 -.00 -. s.011 olmuştur.4 -.06 . 10 Pindyck ve Rubinfeld.6 .1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0.074 (LIHRF) olarak bulunur.04 -.02 .2 . öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.62’ dir.e.8 .08 . Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir.074 değerinin logaritmik dönüşümü yapıldığında.g.olduğuna işaret eder 10 .04 . Eviews 5.0 -. 3.06 30 40 50 60 70 80 90 00 10 . Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3.7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir. 83 .4 . Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür. 211.011=3.

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

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

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

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

Sayı: 64. s. GUJARATI.. MILLER. Econometrica. DICKEY. s. 88 . (1974). Newyork. “Efficient Tests for an Autoregressive Unit Root”. The McGraw-Hill Comp... T. ERTEK. D. ROTHENBERG.. GRIFFITHS. W.. 1993. JUDGE. HARRIS. G. Using Cointegration Analysis in Econometric Modelling. W. Sayı: 2. 111-120. Beta Yayınları. Aziz.. ENDERS. s. Sayı: 40.DICKEY. KUTLAR. NEWBOLD P. C. E. McGrawHill International Edit. DICKEY. İstanbul. Nobel Yayın Dağıtım. ELLIOTT. Basic Econometrics. s. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”. G. s. John Wiley&Sons. Sayı: 49. HILL ve G. 1.. Applied Econometrics Time Series. 2004... J.. Newyork. (1996).. 4. FULLER. “Spurious Regressions in Econometrics”. I... R. D. J.. Damodar N. W. C. No. 12-26.A. 427-431. (1979). Londra. Tümay. W . FULLER. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica.J. Newyork. ve DINARDO. Ekonometriye Giriş. J. (1981). 2005. William R. H. Newyork. David A. 1997. Printice Hall. John Wiley &Sons. Journal of Econometrics. D. Sayı: 74. BELL. (1986). GRANGER. 1996.A. Uygulamalı Ekonometri. 366. Learning and Practicing Econometrics. Robert B.A. R. 2004.. J. Ankara. Econometric Methods. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician.1057-1072.813-836.. Journal of the American Statistical Association. 1995.A. ve STOCK. JOHNSTON. Walter.

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

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

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

Ekran 1. Ekran 1.3 Dosya Açma Penceresi 92 . başlangıç ve bitiş tarihleri girilir.2 Program Komutu Penceresi Çalışma dosyası oluştur (workfile create) penceresinden verilerin sıklığı.

Ekran 1. 93 . Ekran 1.5 Veri Girme Penceresi Veri girişi hücrelere yapılır.4 Komut Satırı İle Dosya Açma Penceresi Çalışma dosyası oluşturmanın bir diğer yolu ise komut satırına Create (oluştur) komutu ile serinin başlangıç ve bitiş tarihini girmektir.

6 Grafik Çizme Penceresi View (görünüm) menüsünün altında Graph (grafik) ile serinin grafiği çizilir. 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 .Ekran 1.

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

serinin düzeyinde. Korelogram. 96 . Korelogramda serinin içermesi istenen gecikme sayısı belirtilir. birinci ve ikinci farklarında çizilir.Ekran 1.9 Serinin Korelogramını Çizme Penceresi Seri açıkken View (görünüm) menüsünün altındaki Correlogram tıklarak korelogram penceresi açılır.

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

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

Sign up to vote on this title
UsefulNot useful