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

24 1........................1........... AR(2) Sürecinin Özellikleri ......................10.......2... 19 1...4.. Q İstatistikleri: Portmanteau Testleri ......................11.............4....................... ARMA(1...............1.............. Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA)... AR(p) Sürecinin Özellikleri ... Durağanlık Analizi: Korelogram Testi........ 44 2.1.... Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF)........3......1.............. MA(1) Sürecinin Özellikleri ....3...............1........11..........................................11....4........3...................... ARMA(p...................... 45 2...................... 55 2............................... 24 1..................... Durağanlık Analizi: Birim Kök Testi ........4..................... AR(1) Sürecinin Özellikleri .................................2... Dickey-Fuller (DF) Testi.......................................................11...1................ Genişletilmiş Dickey-Fuller (ADF) Testi . Trend Durağanlık ve Fark Durağanlık ..........................4.............3........4............... 51 2.......... 51 2. MA(2) Sürecinin Özellikleri ............ 42 2............... Hareketli Ortalama Süreci (Moving Average Process-MA)................2... 53 2..11......... 39 1.....4........ 25 1.11.....10..................1.4.1........................................ Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) .3......... Tek Değişkenli Zaman Serisi Modelleri .... Φ 3 ve Sınaması τˆ β Test İstatistikleri............ 20 1........q) Sürecinin Özellikleri.................................3........ 48 2.................. 22 1.................. Otoregresif Süreç (Autoregressive Process-AR) .. Otokovaryans ve Otokorelasyon .. Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı.............. 31 1......1.3......................2.... Sahte (Spurious) Regresyon.......10..........................11......................1........ 23 1..................... DF Testleri İle Birleşik Hipotez Testi...............................................................1.. 28 1..........2..12...1..1........ Korelasyonun İstatistiksel Anlamlılığı........2........................2...................................2......4.......................2......................................... 47 2........... 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2............... 33 1................. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) ................................................1) Sürecinin Özellikleri.......... 31 1...............................1...... 30 1.......... Φ1 ve Sınaması τˆμ Test İstatistikleri ..................1.......... Zaman Serilerinde Durağanlık Analizi .....................1.....3.............11....... MA(q) Sürecinin Özellikleri . 44 2.11......................... 23 1........................2............................1.....3...............11.................................. 37 1................. 32 1...................................4......11..10.11..........................10....... 39 1.... 55 .4..................................1.1................11..............2.................... 36 1....................................2............................. 34 1.. Otoregresif Sürecin Derecesinin Belirlenmesi....... 48 ˆ 2...............1 τ Sınaması............................ Box Jenkins (BJ) Yöntemi ..............11............

58 2............................................ 69 3........ 84 KAYNAKLAR ...................4...............5.......................................... LIHR Serisi İçin Phillips-Perron (PP) Testi................. 63 3.....LIHR Serisi İçin Box Jenkins (BJ) Yöntemi .1........... 91 ÖZGEÇMİŞ ..............4................................................4... 69 3.................................. 57 2................. LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi.............. 72 ˆ 3.5............. 78 3.................. LIHR Serisi İçin τ Sınaması ...4........6................ 75 3..................6........................................................ LIHR Serisi İçin KPSS Testi .... 61 ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA 3.....4.................. 63 3........... 77 3......................................5.... 76 3.............5..............1...3.........4......... 101 ...........................................................................4..5........1..........5................... Phillips-Perron (PP) Testi ............5.............2........................... 60 2..................................... 66 3............................ Uygulamada Kullanılan Yöntem........ LIHR Serisi İçin Durağanlık Analizi: Birim Kök Testi ................ Uygulama Serisi ...... Ng-Perron Testi......... 79 SONUÇ .............................................5.... 64 3..3....................... 87 EKLER........5........ LIHR Serisi İçin ADF Testi ................ LIHR Serisi İçin Ng-Perron Testi .....................................................3................................................ ADF-GLS (Nokta Optimal) Testi ...............................................................................1.. 63 3......1...............................................2...................................................................................2............... Uygulamanın Amacı . 74 3...........................3...........................5... 69 3.............. LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri.......1........................................................................ LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi.................... İhracatın Gayri Safi Milli Hasıla (GSMH) İçindeki Payı Üzerine Uygulama ............................................ LIHR Serisi İçin Φ 3 ve Sınaması τˆβ Test İstatistikleri.........................2.................5. KPSS Testi ...........................................................

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

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

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

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

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

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

.0) Model Kalıntılarının Serisel Korelasyon Testi .....................1........ 79 Tablo 3.................22 : ARIMA(1......20 : LIHR Serisinin Düzey Değerleri İçin Ng-Perron Testi .. 79 Tablo 3...... 82 VII .Tablo 3.21 : Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi ..

...................................................................................................2 : Birinci Farkı Alınan LIHR Serisinin Zaman Yolu Grafiği ........ 17 Şekil 2............ 6 Şekil 1........ 66 Şekil 3................................ 82 Şekil 3......3 : LIHR Serisinin Korelogramı ............2 : Zaman Serisi Bileşenleri ...............................................ŞEKİL LİSTESİ Sayfa No: Şekil 1.3 : Pozitif ve Negatif Kovaryanslar .........1 : Durağan Bir Zaman Serisi Grafiği ................. 44 Şekil 2........... 68 Şekil 3......2 : Durağan Olmayan Bir Zaman Serisi Grafiği.............. 48 Şekil 3.... 7 Şekil 1..1 : Zaman Serisi Grafiği .........................................................0) Modeli Hata Terimlerinin Korelogramı .........................1 : LIHR Serisinin Zaman Yolu Grafiği....................3 : Durağan Olmayan Bir Seri Korelogramı.............7 : Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği............... 43 Şekil 2. 65 Şekil 3....................5 : ARIMA(1.............................................................................................. 81 Şekil 3...... 83 VIII .... 46 Şekil 2.......4 : Birinci Farkı Alınan LIHR Serisinin Korelogramı ......1....6 : Modelin Öngörü Performansı...... 46 Şekil 2................... 65 Şekil 3.......................................................................................................4 : Durağan Bir Seri Korelogramı ......................................5 : Trend Durağan ve Fark Durağan Seriler ..............

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

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 .rXY : : : : : : : : : : : : : : : : : : : : : : : : : : : Örneklem Korelasyon Katsayısı X Değişkeninin Standart Sapması X Değişkeninin Örneklem Standart Sapması Y Değişkeninin Standart Sapması Y Değişkeninin Örneklem Standart Sapması Otokovaryans Fonksiyonu Yokluk Hipotezi Alternatif Hipotez Otokorelasyon Fonksiyonu Tahmin Değeri X ve Y Değişkenleri Arasındaki Korelasyon Test İstatistiği Tablo Değeri Standart Hata Kısmi Otokorelasyon Fonksiyonu AR Sürecinin Parametresi Kesme Terimi MA Sürecinin Parametresi AR Sürecinin Derecesi MA Sürecinin Derecesi Entegrasyon İşlemi Gözlem Sayısı Serbestlik Derecesi Ki-Kare Dağılımı Deterministik Trend Kalıntıların Kümülatif Toplamı Tutarlı Uzun Dönem Varyans Tahmincisi KPSS Test İstatistiği σX SX σY SY γ t1.

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

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

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

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. İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı (%) serisi üzerinde uygulama yapılacaktır. Üçüncü bölümde ise Eviews 5.1 paket programı kullanılarak.

Enflasyon oranı. Verilerin Temel Özellikleri Ekonometrik araştırmaların aşamalarından birisi ekonomik modeli oluşturan değişkenlerin sayılarla ifade edilebilir hale getirilmesidir. Zaman Serileri Analizi. Bu nedenle incelenen iktisadi ilişkide yer alan değişkenlerle ilgili verilerin derlenmesi modelin kuruluşu aşamasında önem kazanmaktadır. Bu değişken zaman içerisinde çeşitli nedenlere bağlı olarak farklı değerler alır. Örneğin değişik dönemlerde işletmenin satış analizlerinin yapılabilmesi için satış rakamlarının gözlenmesi. Örneğin istatistik yıllıklarından ihracat. Çalışma alanına ait bilgilerin sayısal ifadeleri verileri meydana getirir. döviz kuru. Veri sağlanamayan konularda amprik çalışmaların yapılması zordur. milli gelir gibi ekonomik göstergelere ait verilerin kullanılması. 4 . 2005. 1. Veri toplama yöntemlerinden birisi önceden toplanmış bilgileri kullanmaktır. s. Zaman 1 Chris Chatfield. 1. Dolayısıyla zaman serisi. Zaman serisinde ilgilenilen özellik bir değişkendir. faiz haddi. The Analysis of Time Series: An Introduction. zaman sırasına konmuş veri kümesi olarak ifade edilebilir. Nicel ve Nitel Veriler Sürekli sayılarla ifade edilen gözlemlerin oluşturduğu veriler nicel verilerdir.1.BİRİNCİ BÖLÜM ZAMAN SERİLERİ Bir zaman serisi bir veya daha fazla zaman değişkenini kapsayan bir veri kümesidir. Diğer bir yöntem ise gözlem yaparak ölçme işlemidir 2 . Nobel Yayın Dağıtım. milli gelir gibi veriler nicel verilere birer örnektir. Newyork: Chapman and Hall. 2 Mustafa Sevüktekin ve Mehmet Nargeleçekenler. 1995.2. Gelecekteki değişkenleri tahmin eden modeller geliştirdiği için zaman serisi analizi önemlidir 1 . s. 4-5. 1. Ankara.

1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir. Eğer T indis kümesi T = R veya T= [0.1. yıllık ve daha uzun dönemli aralıklarla derlenir.}. Introduction to Econometrics. An Introduction to Applied Econometrics : A Time Series Approach. ±2. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . Great Britain. Yatay Kesit. ±3…}= Z olarak alınabildiği gibi T = R. 525. T= {0. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir. 2000. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır. 4 Patterson. 24. T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson.g. Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir. Aylık işsizlik. Filiz Kitabevi. bir zaman serisi {Xt : t Є T}şeklinde ifade edilir.e. Newyork.±1.3. 1996. s. Uygulamalı İstatistik 2. eğitim. Newyork.3…. Buradaki T indis kümesi genel olarak T= {1. İstanbul. mühendislik. T= [0. 289. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . haftalık para arzı. Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir. Macmillan Publishing Company. haftalık.2. Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. günlük sipariş sayıları vb. seriler zaman serilerine örnek gösterilebilir 6 . T bir indis kümesi olmak üzere. Zaman serileri ekonomi. 1. Eğer T indis kümesi T= {0. aylık. 1992. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir. işletmeyi.4. 1.3…}= N. s. Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti. çeyrek yıllık (üç aylık). 3 5 . a.2. s. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır. Zaman serisi verileri günlük. 5 Özer Serper. s. Maddala.S. 25.zaman sınırlı değerler alan veriler ise nitel verilerdir 3 . bireyi inceleyerek derlenen veriler yatay kesit verileridir. 6 G.1] gibi sürekli aralıklar da olabilir.

a. 8 Patterson. 2003.…. 25.1 Zaman Serisi Grafiği Yılmaz Akdi. Yt . T) ile bu zaman noktalarında zamana bağlı Y değişkeninin aldığı Y1. dikey ekseninde bu şıklar itibariyle Y değişkeninin aldığı değerler olan gözlem değerleri Yt yer alır. Zaman Serisi Grafiği Zaman serileri genel olarak kartezyen koordinatlı bir grafikle gösterilir.ye zaman serisi denir 7 . Ankara.…. Zaman serileri iki sütundan oluşur. 1. 11. Ekonomik büyüklükleri gösteren zaman serileri zamanın belirli aralıklarında ölçüldüğünden kesikli zaman serileri olarak incelenirler. İlk sütunda zaman vasfının şıkları. Şekil 1. s. Burada T zaman serisinin örneklem boyutunu ifade eder. Zaman değişkeninin şıkları genellikle. 7 6 . Bıçaklar Kitabevi. Yt gözlem değerlerini eşleştirmek suretiyle zaman serisinin grafiği çizilebilir. s. ikinci sütunda ise olayın aldığı değerler belirtilir.…. Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon).e. Grafiğin yatay ekseninde zaman değişkeninin şıkları.T şeklinde belirtilir. 2.5. Bu görsel gösterim zaman serisinin sayısal verilerinden açıkça görünmeyen özelliklerini görmede kolaylık sağlar 8 .g. Belirlenen eşit aralıklı t zaman noktaları (t = 1. t = 1.

e. Applied Econometrics Time Series. -Uzun dönem eğilimi (trend).e. (1. Dt eşitliği söz konusudur 11 . 10 7 . 2004.2) (1. s. serinin gidişinde bazı düzensizliklerle karşılaşılmaktadır. Bu düzensiz hareketlerin temelde. Serper. 11 Sevüktekin ve Nargeleçekenler. s. aynı yön ve şiddette de olabilmektedir 10 .1. -Mevsimlik ( seasonal) dalgalanmalar.6. Zaman Serisi Bileşenleri Zaman serilerinin grafikleri incelendiğinde. Zaman serisinin gözlem değerleri (Yt ) bu faktörlerin Yt = Tt. 292. Yıllık zaman serilerinde Şekil 1.g. 3.g. Bu faktörlerden her birinin olay üzerindeki etkileri farklı yön ve şiddette olabileceği gibi. Dt mevsimsellik olmayacağı için bu serilerde Yt = Tt. Kt. 34. Kt.1) şeklindeki çarpımlarından oluştuğu varsayılmaktadır. 293. John Wiley &Sons. s. Uygulamalı İstatistik 2. s.2 Zaman Serisi Bileşenleri Kaynak: Serper. a. -Düzensiz (random walk) hareketler olmak üzere dört temel faktörden kaynaklandığı bilinmektedir 9 . a. 9 Walter Enders. -Konjonktürel (cyclical) dalgalanmalar. Mt. Newyork.

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

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

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

1. 29. Fark Denklemleri Zaman serilerinin geleneksel kullanımı. bir rassal yürüyüş modelidir 25 ..9. beklenen değeri sıfır olan rassal kalıntılardır. Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1.. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur. s.g.2. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır. Y = f(t) 23 24 (1.6) olur 23 .. Uygulamalı Ekonometri. Fark denklemlerinin en basit şekli. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1.T’ dir.e. γ kt = Cov(Yt .1. t’ nin bir fonksiyonu olarak tanımlansın. Ankara.Zaman serisi modellemesinde kovaryanslar önemlidir. Y = f(t) . t = 1. s. Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir. s. 67.t 2 ile gösterilmiştir. Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında. Nobel Yayın Dağıtım. a.7) Yt . 2005. 11 .g. bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 . Sevüktekin ve Nargeleçekenler. Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir.9. 252. Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir.8) Chatfield. 25 Aziz Kutlar. t günündeki bir hisse senedi fiyatı et . 1. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir. 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. a.e.. Bir zaman serisi değişkeni (Y).

farklar. Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) . fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. 12 . Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 . Δ (ΔYt ) = Δ2Yt (1.g.13) Bu durumda.…. Yt*+k .Yt* = f(t*+1) .….f(t+k-1) = Yt+k -Yt+k-1 (1.f(t*) yazılabilir. Y’ de böyle bir özel değer için Yt* olarak tanımlanır. Yt+1. 69-70-71.10) (1. a.e. Benzer şekilde k dönem ilerisi için farkı. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur.f(t*) yazılabilir.12) bir dizi şeklinde yazılabilir. Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 . Yt*+1 .Yt* = f(t*+k) . Yt = f(t)’ in n. Yani farkın farkı veya farkın karesidir. ∆Yt = f(t) . Yt-2 . Yt+k } ile tanımlanır. İkinci fark alma.11) olur. (1.f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) .ilişkisinde eğer t.14) 26 Sevüktekin ve Nargeleçekenler.9) (1. t* gibi herhangi bir özel değeri alırsa. s. Ardışık 1. farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir.f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1.f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) . Y’ nin t döneminden bir dönem ilerisi için farkı.

2 Bir Değişkenin Geciktirilmesi t 1 2 3 4 5 6 7 8 9 10 Yt 10 12 13 14 15 17 20 22 23 25 Yt-1 10 12 13 14 15 17 20 22 23 (∆Yt) / Yt-1 2/10 1/12 1/13 1/14 2/15 3/17 2/20 1/22 2/23 27 28 Ruey S. 1.9. John Wiley &Sons.g. Tablo 1. s. 1 1 4 1 3 6 …. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler.e. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 …. Patterson. s. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir. Gecikme ve ilerletme için L işlemcisi kullanılır 27 . 32. i.Tablo1. a. Tsay. 13 . Analysis of Financial Time Series. 72.2. Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi. benzer bir işlemle gerçekleştirilir. 36. i. USA. 2004. Zaman Serileri Analizi.1 n. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 . s. gecikme için Yt-i alt imi kullanılarak geriye doğru.

L1Yt = Yt −1 ve L4Yt = Yt − 4 (1. Örneğin.16) Aynı zamanda L0Yt = Yt (1.17) anlamına gelir. ilerletmesi anlamına gelir 30 . Gecikme İşlemcisi Gecikme işlemcisi Li Yt = Yt −i şeklinde tanımlanır. Dolayısıyla Yt değişkenine uygulanan L’ nin pozitif bir kuvveti.e. s.3. Örneğin Yt için yıllık büyüme oranı t= 8 de (2/20) *100 = 10 yüzde 10 olarak ifade edilebilir. a.g. Daha çok bir zaman serisinin geciktirilmesi ile ilgilenilse de bazen bir zaman serisinin ilerletilmesi ile de ilgilenilir 29 . s. 29 30 Patterson. 14 .15) olmaktadır. 34.e. Yt yi i dönem geciktirme ile aynı anlama gelir. i.9.g.Bu oranlar 100 ile çarpılarak yüzde değerler biçiminde yorumlanabilir. 33. Patterson.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. L−2Yt = Yt + 2 (1. i negatif olduğunda işlem Yt nin i. Tablo 1. a.

s.e...23) Gecikme işlemcisi L denkleme eklendiğinde. Bu tür 31 32 Patterson.24) (1. • • Bir sabit değerin gecikmesi yine bir sabit değerdir.10. Yt parantezine alarak bu ifade.9. a.25) şeklinde yazılabilir. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur.g. a. s.4. Patterson. Gecikme işlemcisinin özellikleri 33 .. 33 Sevüktekin ve Nargeleçekenler.e. Yt − φ1Yt −1 − φ 2Yt − 2 − . Bu p. (1. 34 Patterson. L− i Yt = Yt +i (1.22) 1. a. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 .e. 15 . a. Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir.)Yt = φ ( L)Yt (1. − φ p Yt − p (1. (1.18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır.g.. s.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir. s. 34.e. Gecikme işlemcisi kullanılarak p.Yani L0 . dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 . Yt − φ1 LYt − φ 2 L2Yt − . dereceden bir denklem . 108-109. (1 − φ1 L − φ 2 L2 .g.. L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 . Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur. 34. 34. − φ p Lp Yt şeklinde yazılabilir.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır. 1.g. (1.21) (1..

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

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

Bu durumda da tam bağımsızlık söz konusudur 46 . 25-26.32) 43 44 Sevüktekin ve Nargeleçekenler. s. a.g. Y ) ρ ( X . Sıfıra yaklaştıkça birlikteliğin derecesi düşer. Denklem (1. The McGraw. Ölçek -1 veya +1’ e ne kadar yaklaşırsa birlikteliğin derecesi o kadar yüksektir. Y ) Var ( X )Var (Y ) = Cov( X ..da bağıntının doğrusal olmadığı anlamına gelir 43 . Dolayısıyla değişkenler arasındaki doğrusal bağımlılığın nispi veya oransal bir ölçüsünü elde edebilmek için korelasyona başvurulur. Gujarati Damodar N. Y ) Var ( X )Var (Y ) Cov ( X . 71. Y ) σ XσY (1.Y ) = = σ XσY (1. 2004. 18 .29) ile tanımlanan anakütle katsayısına karşılık iki değişken arasındaki örneklem otokorelasyon katsayısı.g.31) biçiminde yazılabilir. değişkenlerden birindeki bir standart sapma değişimin diğer değişkendeki bir standart sapma ile birlikteliğin bir ölçüsüdür. Basic Econometrics. Tam sıfır olma halinde ise değişkenler ya tam olarak bağımsızdırlar ya da doğrusal olmayan bir ilişkiye sahiptirler. Doğrusal ilişkinin gücünü ölçer 44 .e. 215.e.g. a. Burada σ X ≡ S X ve σ Y ≡ S Y ’ dir. s.30) (1. s. 46 Patterson. s. Korelasyon katsayısı. Örneklem standart sapma değerleri S X ve S Y SX = ∑(X i − X )2 N −1 (1. Cov ( X .e. 45 Tsay.Hill Companies.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 . rXY = veya rXY = Cov ( X . 23. a. Korelasyon katsayısının bu ölçeği -1 ile +1 değerleri arasında değişkenlik gösterir. Y ) S X SY Cov( X . Newyork.

10. s. 26. Forecasting Principles and Applications. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 .g. Denklem (1.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır. 59-60. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır. 1998. a. A. 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. birlikteliğin istatistiksel anlamlılığı.33) şeklinde hesaplanmaktadır. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1. Delurgio.e.31)’ de yerine yazılarak yeniden düzenlendiğinde 47 .) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere.35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld. Irwing McGraw-Hill Comp. n−2 (1. 1. 48 47 19 . s.33) örneklem korelasyon katsayısı olan denklem (1. Newyork.1.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY . S.ve SY = ∑ (Y i − Y )2 N −1 (1. Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile.32) ve (1.1.

Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. ±1.e.10. Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir.g. otokorelasyon olarak genelleştirilir 51 . Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1.2. • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt). Yt − k ) Cov (Yt . Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. 26. Econometrics.T k = 0.36) Sevüktekin ve Nargeleçekenler. Dept. genellikle zaman serilerinde rastlanılan bir durumdur 50 . Yt + k ) = Cov(Yt . Of Economics and Economic History. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır.olur.e. 1. 2005. Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon. Yatay kesit verilerinde de karşılaşılabileceği gibi. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir. Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir. s.2. s. 50 49 20 . 51 Tsay.…. Michael Creel. Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 . ±2. Cov(Yt . Durağan stokastik süreç için k gecikmeli otokovaryans. a. s. Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır. 219. a.g.… Cov(Yt . 130. Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1. Universitat Autonoma de Barcelona.

John H.…Yt-1 . σY = σY t t +k (1. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir.…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt . Time Series for Macroeconomics and Finance. 21. Cochrane.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir.40) 52 53 Sevüktekin ve Nargeleçekenler. Yt Yt+1 . Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir. otokorelasyonun. a. otokovaryans tanımından hareketle şöyle yazmak mümkündür. Yt + k ) = γ k Var (Yt ) = γ 0 (1.e. otokovaryans/varyans olduğunu gösterir. E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k . Cov (Yt .39) ρk = olarak bulunur 53 . modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . k gecikmeli bir anakütle otokorelasyon fonksiyonunu. USA. Yt + k ) σY 2 bu ifade. γk γ0 (1. Cov(Yt . 1997. s. s. 221.Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu.g. Yt +k ) = σY σY t (1.38) O halde. 21 .

43)’ den otokorelasyon = otoko var yans olduğu görülür 56 . 495. 89.1. Chaos Theory Tamed. Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlamlı bir otokorelasyon durumunda seride durağan dışılık söz konusudur. Denklem (1. 55 Pindyck ve Rubinfeld. otokorelasyon değerleri kullanılarak gerçek veri üreten sürecin parametreleri tahmin edilir.41) σˆ 2 = ∑ T t =1 ( yt − y)2 T (1.3.10.42) T −k ˆ ρk = ∑(y t =1 t − y )( yt + k − y ) t ∑(y t =1 T − y) 2 (1. 1997. y= ∑y t =1 T t T (1. ρ k yerine ˆ ˆ örnek y .g. 1. Robert B. Joseph Henry Press. Dickey. σ 2 . σ 2 ve ρ k değerleri hesaplanır. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician. Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanır ve bu örneklem otokorelasyon fonksiyonu olarak adlandırılır 55 .e. varyans. var yans David A. Williams. 54 22 . 56 Garnett P. Ancak sınırlı sayıdaki gözlem için bir stokastik süreci tasvir eder. William R. Miller. μ . Ele alınan durağan bir seride örnek ortalama. s. s. Washington DC. s. (1986). Bell.43) Otokorelasyon fonksiyonunun simetrik olması nedeniyle ( ρ k = ρ − k ) korelasyon pozitif ve negatif yer değiştirmeler için aynıdır. Yukarıda tanımlanan otokorelasyon katsayısı denkleminde otokorelasyon fonksiyonu oldukça pür teorik bir yapıya sahiptir. a. Yavaş bir şekilde azalan otokorelasyonların varlığı durağan dışılığın göstergesidir 54 . 12-26. Sayı: 40.

s. s. Sevüktekin ve Nargeleçekenler. Kısmi otokorelasyonlar.1. diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. 1. Kısmi otokorelasyonlar.10. k . • Otokorelasyon katsayıları için test istatistiği. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder. Φ kk = ρ (Yt . 57 58 Tsay.g. Yt −k / Yt −1 .44) t ACF ( k ) = hesaplanır.45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 . Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir.Yt −k +1 ) korelasyon katsayısıdır.10.e.. a.. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar. Yt −2 . otokorelasyon (1. Yt − 2 . 27. 23 .e. • ACF (k ) Se ACF ( k ) (1.46) Bu ifadeden görüldüğü gibi Φ kk ..g. 233. a. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 .4.1. (1. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. 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.. Burada SeACF(k). Yt −1 .3.

et-2.2.g. Yt = f(Yt-1. McGraw-Hill International Edit. 59 24 . Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir. k − j j=1.48) 1. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de. 204. Yt = δ + φ1Yt −1 + et t = 1.3.Φ kk = ρ k − ∑ Φ k −1 . ρ k −1 j =1 k −1 1 − ∑ Φ k −1 .1. j − Φ kk Φ k −1.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi. s. 1.…. a. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 . s.….…. et.…) (1. ekonomik değişkenlerin gelecekteki değerlerini öngörmektir. Johnston ve J. φ1 -1 ile +1 arasında değer aldığı varsayılan bilinmeyen parametre ve et ortalaması sıfır sabit bir varyansla σ 2 korelasyonsuz bir hata terimidir 60 . bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur. f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır. Bu denklem birinci derece otoregresif J. 1997.e.2. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır. ρ j i =1 k −1 (1. 60 Tsay. Yt-2.47) Φ kj = Φ k −1. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir.49) Modelleme bu değişkenlerle ele alınacaktır. 32.k-1 için (1. et-1.11. Newyork. Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi. Dinardo.T (1.11. Econometric Methods.

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

g. bu durumda Yt’ nin ortalaması. s. Pindyck ve Rubinfeld.g.g.52)’ de sabit terim δ = 0 olduğu varsayıldığında. s. 26 .53) Bir zaman serisinin gözlenebilecek sonuçları Yt bütün dönemler için aynı olasılık yoğunluk fonksiyonuna sahipse. Yani E(Yt ) = E(Yt-1 ) =…= μ olur 65 .55) 64 65 Sevüktekin ve Nargeleçekenler. Bu varsayımla seri ortalamadan sapmalar cinsinden tanımlanmış olur. varyansı bütün dönemlerde aynı olmalıdır.e. a. Yt’ nin ortalaması μ = 0 olacaktır.g. 66 Pindyck ve Rubinfeld.e.e. varyans ve kovaryanslar. AR(1) süreci için ortalama.e. Denklem (1. s. a. Ortalamadaki bu tanımlama serinin varyansını ve kovaryansını etkilemez 67 . μ = δ + φ1 μ E (Yt ) = μ = δ /(1 − φ1 ) (1. a. s. 527. denklem (1. 126. Yani ( Yt − μ )’ e ulaşılmış olur. Otoregresif parametrenin değeri | φ1 | < 1 ise süreç durağan olarak kabul edilir 66 . Yt = φ1Yt −1 + et (1.52)’ yi δ = 0 varsayımı dikkate alınarak yeniden yazıldığında.52) Denklemde Yt’ nin beklenen değeri alındığında. 67 Sevüktekin ve Nargeleçekenler. AR(1) sürecinde Yt’ nin varyansını bulmak için.54) sonucu elde edilir. σ 2 ) (1. E (Yt ) = E (δ + φ1Yt −1 + et ) E (Yt ) = E (δ + φ1Yt −1 ) + E (et ) E (Yt ) = E (δ + φ1Yt −1 ) (1. 127. 528. a. bu durumda örneklem verilerine dayanan öngörüler güvenilmez olur 64 . Yt = δ + φ1Yt −1 + et et ~ IID(0.oluşturduğu veri üretme süreci rassal değişkenin geleceğini ele almıyorsa.

g. 27 . Buradan Yt’ nin varyansı.57) Bu kovaryans bütün rassal değişkenler için aynıdır. İki tarafın varyansı alındığında . s. Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 .58) sonucunu verir.olacaktır. Birer dönem gecikmeli kovaryans ise. Yt − k ) = φ1k σ Y k=0. 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. Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir. 2 Cov (Yt −1 .60) 68 Tsay. 34. 2 γ k = Cov (Yt . Cov (Yt .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) (1.2. Dolayısıyla k gecikmeli kovaryanslar. a.e.59) olarak hesaplanmaktadır.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 . Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (1. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1. Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır.… (1.

Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0.e.e.2. 26.e.1.g. 72 Pindyck ve Rubinfeld.… (1. 530.g. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir.g.… (1. 73 Johnston ve Dinardo. AR(2) Sürecinin Özellikleri k = 1.11.g. Patterson. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir. a. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0.63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 .… (1.g. 65. Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır.g. Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir. s.e.k gecikmeli otokovaryans katsayısı. s.64) ile verilir 74 .2. a. 71 Tsay.2. AR(1) süreci için otokorelasyon katsayısı. ±1. s. 1.e. 69 70 Pindyck ve Rubinfeld. 209. Cor (Yt . 28 . ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 . s.1. 529. Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 . a. Ayrıca k = 0 için ρ = 1 olacağı denklem (1. a.62) ile hesaplanmaktadır 71 . s. 528.61) ile verilir 69 . 74 Pindyck ve Rubinfeld. a. Yt − k ) = Cov(Yt . 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0. σ 2 ) (1. ±2. a. s. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir. Yt ile Yt-k arasındaki korelasyon.e. İkinci derece bir otoregresif süreç AR(2).62)’ den görülmektedir.

φ1 + φ2 < 1 φ2 .66) yazılır 75 .68) γ 2 = φ1γ 1 + φ 2 γ 0 ve k≥2 için genel olarak yazılacak olursa.g.e.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. a. 530.AR(2) sürecinde zaman serisi Yt’ nin ortalaması. δ = μ = 0 olduğunu varsayarak.67) γ 1 = φ1γ 0 + φ 2 γ 1 E (Yt − 2Yt ) = E [Yt − 2 (φ1Yt −1 + φ 2Yt − 2 + et )] (1. Yt’ nin varyansı ve kovaryansı.φ1 < 1 φ2 <1 koşulları sağlanmalıdır 76 . Johnston ve Dinardo. AR(2) sürecinin durağan olması için.70) 75 76 Pindyck ve Rubinfeld. 210. E (Yt − k Yt ) = E [Yt − k (φ1Yt −1 + φ 2Yt − 2 + et )] (1. s. 29 . s.65) veya E (Yt ) = μ = δ /(1 − φ1 − φ 2 ) (1. a. E (Yt ) = E (δ + φ1Yt −1 + φ 2Yt − 2 + et ) E (Yt ) = δ + φ1 μ + φ 2 μ (1.69) γ k = φ1γ k −1 + φ 2 γ k −2 (1.e.

Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir. s.g. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 . = E (Yt − p ) = μ olur. AR(2) süreci için otokorelasyon fonksiyonu (ACF).… (1. 531. s.. E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = .73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır. AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın.3. ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 .71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır. 136.1.73) Denklem (1. (1. modellerin sağ tarafında yer alan değişkenler açısından fark vardır.. Pindyck ve Rubinfeld. 30 . s. + φ p Yt − p + et (1. 4.e. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur.11.e..72) 1.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır. 77 78 Pindyck ve Rubinfeld.Denklem (1. Genel olarak AR(p) süreci.e.73) ile geleneksel model [Yt = E (Yt ) + et ] arasında.67). Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur.g. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . (1.68).g. γ0 = bulunur 77 . k = 3. a.. 79 Sevüktekin ve Nargeleçekenler. 531. a. a. Denklem (1. Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1.69) eşanlı olarak çözüldüğünde. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1.

− φ p ) olur 80 .. 83 Pindyck ve Rubinfeld. diğerleri için sıfırdan farklı değilse süreç AR(1) sürecidir.g. + φ p μ μ = δ /(1 − φ1 − φ 2 − .e. s. a. Yt üzerinde etkili olan gecikmelerde kısmi otokorelasyon katsayısının sıfırdan farklı yani istatistiki olarak anlamlı olması gerekir. Hareketli Ortalama Süreci (Moving Average Process-MA) Hareketli ortalama süreci bir zaman serisinin t dönemindeki değerini. p gecikmeden sonra anlamsız ise sürecin derecesinin p olduğu söylenir 82 .. Yt = μ + et + θ1et −1 + θ 2 et − 2 + .75) Burada korelasyonsuz rassal hata terimi et ortalaması sıfır ve sabit bir varyansa 80 81 Tsay. Kısmi otokorelasyon katsayıları bir gecikme için sıfırdan farklı.11.g. 41. Otoregresif Sürecin Derecesinin Belirlenmesi (1. a. Kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı. diğerleri için sıfırdan farklı değilse süreç AR(2) sürecidir. s. Aynı şekilde kısmi otokorelasyon katsayıları iki gecikme için sıfırdan farklı. + θ q et − q (1. diğer gecikmelerin etkisi sabit kalmak koşuluyla Yt ile herhangi bir k gecikmesinde oluşturulan Yt-k gözlemleri arasındaki korelasyon anlamına gelir. Johnston ve Dinardo.1. Genel olarak MA(q) süreci.e.4.O halde ortalama. s. a. s.11.2.g.. 522. 211-212. μ = δ + φ1 μ + φ 2 μ + ...e. Kısmi otokorelasyon katsayısı.74) Otoregresif sürecin derecesinin belirlenmesinde kısmi otokorelasyon fonksiyonu kullanılır 81 .. 82 Tsay. 1. hata payının cari ve geçmiş dönem değerlerinin ağırlıklı ortalaması ile ifade eden bir süreçtir 83 . a.e. 1. 31 .g. 39.

Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1. Cov(Yt . s.77) sürecin varyansı 85 . Academic Press.1. 85 Tsay. Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1. a.g. Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1. Pollock. Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt . Cov(Yt .78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise. 1999. Denklem (1. θ i (i=1. E (Yt ) = μ (1. S.79) γ2 = 0 k sayıda gecikme dikkate alındığında. s.…. 84 32 . 1. G. USA. A Handbook of Time Series Analysis Signal Processing and Dynamics. 51.2. 517. Yt = μ + et + θ1et −1 (1.sahiptir 84 .80) D.q) bilinmeyen parametrelerdir.76) sürecin ortalaması.75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır. MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir.2. Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans.11. Cov(Yt .e.

a.83) ile ifade edilir 89 .2. MA(1) sürecinin otokorelasyon fonksiyonu 88 . MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1. s. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1. Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir.e.g. s. a.2.e.11. MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 . Hill ve Judge.g. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması. Diğer verilerle herhangi bir korelasyon yoktur 86 .81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1.83) (1. Griffiths.e.e. 33 . 524. s. Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1. 524.g.82) k 〉1 1. a.g. 524. 89 Pindyck ve Rubinfeld.85) Pindyck ve Rubinfeld. 88 Pindyck ve Rubinfeld. a. 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. 655. E (Yt ) = μ sürecin varyansı. s. Cov(Yt .γk = 0 (1.84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise.

g. Cov(Yt . 1. Yt − k ) = γ k = 0 olur 90 .86) γ 2 = θ 2σ e2 Yt ile Yt-3 arasındaki kovaryans ise. Cov(Yt .3.90) (1.88) (1.e. s. Cov(Yt . 524. varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir. Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir.γ 1 = θ 1σ e2 + θ 1θ 2σ e2 = σ e2 (θ 1 + θ 1θ 2 ) Yt ile Yt-2 arasındaki kovaryans ise.91) (1.87) γ3 = 0 O halde k dönem gecikmeli kovaryans.e. (1. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1. s.g.2.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1. MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması. MA(2) sürecinin otokorelasyon fonksiyonu ise. 34 . Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1.92) ρk = 0 bulunur 91 . a. 144-145. a. 90 91 Sevüktekin ve Nargeleçekenler. Pindyck ve Rubinfeld.11.

. 657. s... k>q için.2. a. 92 93 Pindyck ve Rubinfeld. + θ q2 et2− q + 2θ1θ 2 et −1et −2 + . 95 Sevüktekin ve Nargeleçekenler.. dereceden hareketli ortalama süreci. Var (Yt ) = γ 0 = E (Yt − μ ) 2 (1.93) olarak yazılır 92 . s. 94 Griffiths. s.. sabit varyanslı ve korelasyonsuz hata terimi ve (θ1.96) Farklı tarihlerdeki et’lerin çarpımlarının beklenen değeri sıfır olduğu için eşitlikten çıkarılır ve θ 0 birim değer olarak tanımlanır.….e. Hill ve Judge.g..e. Burada et ortalaması sıfır. (1. γ k ’nın tanımından ortak tarihli et’ lerin de beklenen değeri sıfır olduğu için eşitlikten çıkarılır 95 . 522. 35 .…. θ2.. 523... = σ e2 + θ12σ e2 + . a. + θ q2σ e2 [ ] γ 0 = σ e2 (1 + θ12 + .q için. k=1. θq) parametreleri herhangi bir reel sayıdır.94) = E et2 + θ12 et2−1 + . + θ q et − q (1..g. a. + θ q et − q )(et − k + θ1et − k −1 + θ 2 et − k − 2 + .. + θ qθ q − k et2− k − q ] (1.e. γ i = E[ (et + θ1et −1 + θ 2 et − 2 + ...g.g... MA(q) sürecinin ortalaması.95) Hata terimi et bağımsız ve korelasyonsuz olarak varsayıldığı için bütün çapraz çarpım terimlerinin beklenen değeri sıfırdır 94 . + θ q et − k − q ) ] =E[ θ k et2− k + θ k +1θ1et2− k −1 + θ k + 2θ 2 et2− k − 2 + . a. E (Yt ) = μ sürecin varyansı.q. s. Yt = μ + et + θ 1et −1 + θ 2 et − 2 + . + θ q2 ) olur 93 . Pindyck ve Rubinfeld.e. 147..

97 Sevüktekin ve Nargeleçekenler.87)’ de ifade edildiği gibi. Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil..11. Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır. (1.Bu durumda. + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 1..97) MA(2) sürecindeki denklem (1.. θ 2 .e.3... 527. gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır... MA(q) süreci için otokorelasyon fonksiyonu.2. s.g.85). a. ⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + . q k〉q (1... 98 Pindyck ve Rubinfeld.2...e.99) k〉q olur 97 . 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 = ... 36 . + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1. 96 Bir süreç zayıf veya kovaryans durağan ise. 148.86) ve (1. s. = 0 (1. Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 .. q (1.g. a. 1... 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..98) (θ 1 .... + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + . ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + .

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. hem de MA bileşenleri p. Yt = δ + φ1Yt −1 + .. 1. Yani.. γ 0 = Var (Yt ) = E (Yt − μ ) 2 99 100 Pindyck ve Rubinfeld. dereceden olmak üzere ARMA(p.102) En basit karma otoregresif hareketli ortalama süreci ARMA(1. Denklem (1.. + θ q 0 μ= δ (1 − φ1 − .1)’ dir.103) Eğer δ = 0 ise özdeş olarak seri Yt ortalamadan sapma formunda ise sürecin varyansı. ve q. + φ p μ + 0 + θ 1 0 + .. Başka bir ifadeyle zaman serisi modeli hem AR. 535. + θ q et − q (1. E(et) = 0 ve Var (et ) = σ e2 ile korelasyonsuz rassal değişkenlerdir (Süreç durağan ise ortalama μ ’ ye eşittir)..11.. + φ p 〈1 koşulunun sağlanması gerekir 100 . + φ p Yt − p + et + θ 1et −1 + .100) Burada kesme terimi δ .3. a.1) Sürecinin Özellikleri (1. Yt’ nin ortalaması. s. φ1 + φ 2 + .e..1. Yt = δ + φ1Yt −1 + et + θ1et −1 (1.. a. ARMA(1... s.e.q) olarak tanımlanır ve şu şekilde gösterilir 99 . 535. Bir zaman serisi verileri için hem otokorelasyon hem de kısmi otokorelasyon fonksiyonları belirli bir gecikmede kesilmeyerek sıfıra doğru çok yavaş hareket edebilir. E (Yt ) = μ = δ + φ1 μ + .. 37 . hata terimi et.g.100)’ ün beklenen değeri alındığında.101) Bu sonuç ayrıca durağanlık için gerekli koşulu da belirtir. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileşenlerini aynı anda içerebilir. Pindyck ve Rubinfeld..g. − φ p ) (1.

Yukarıdaki ifade düzenlendiğinde.. s. γ 2 . Kovaryanslar ise γ 1 . Bu ifade de et-1.104) elde edilir 101 .109) ρ k = γ k / γ 0 = φ1 ρ k −1 olur 102 . ρ1 = γ 1 (1 + φ1θ1 )(φ1 + θ1 ) = γ0 (1 + θ12 + 2φ1θ1 ) k≥2 (1.105) γ 2 = E (Yt − 2Yt ) = E [(Yt − 2 (φ1Yt −1 + et + θ1et −1 )] = φ1γ 1 ve (1. γ k sırasıyla.107) γ k = φ1γ k −1 k≥2 Otokorelasyon fonksiyonu. a. s. a. 101 102 Pindyck ve Rubinfeld.γ 0 = E (φ1Yt −1 + e t +θ1et −1 ) 2 = φ12 γ 0 + 2φ1θ1 E (Yt −1et −1 ) + σ e2 + θ12σ e2 Bu ifade de.e..e. 38 .g. γ 0 (1 − φ12 ) = σ e2 (1 + θ 12 − 2φ1θ 1 ) ve φ1 < 1 ise varyans. Yt-2 veya et-2 ile korelasyonlu değildir.106) (1. Pindyck ve Rubinfeld.g. 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. 536. E (Yt −1et −1 ) = E [(φ1Yt − 2 + et −1 + θ1et − 2 )et −1 ] = E (et2−1 ) = σ e2 ile tanımlanır.108) (1. 535... γ0 = (1 + θ12 − 2φ1θ1 ) 2 σe (1 − φ12 ) (1.

a. bir gecikmeden sonra AR bileşeninin etkisiyle otokorelasyon fonksiyonu azalan bir davranış sergiler. ∆Yt = Yt . 228. MA ve ARMA süreçleri yukarıda ifade edilmiştir. 538. ARMA(p..11..111) ile gösterilebilir. γ k = φ1γ k −1 + φ 2 γ k − 2 + . q sürecin hareketli ortalama kısmının belleğidir.. + φ p γ k − p Otokorelasyon fonksiyonu.3. a. 1. Genel ifadesi.e. k ≥ q+1 (1. + φ p ρ k − p k ≥ q+1 (1. 537. k ≥ q+1 için otokorelasyon fonksiyonu ve kovaryansları pür otoregresif sürecin özelliklerini gösterir 103 .113) Pindyck ve Rubinfeld.g.e. Yt = φ1Yt −1 + .Yt-1 103 104 (1. + φ p Yt − p + ∆d Yt + et + θ 1et −1 + . s..112) şeklindedir.g. 39 . Ancak gerçek hayattaki zaman serilerinin çoğu zaman boyunca değişen belirli bir stokastik sürecin özelliklerini taşıması nedeniyle durağan değildir 104 . ARMA(p. s.q) Sürecinin Özellikleri Daha yüksek dereceden süreçler için.ARMA(1.. d=1 için.e.q) sürecinin kovaryansı.4. Bu nedenle otokorelasyon fonksiyonu hem AR hem de MA sürecinin özelliklerini birlikte gösterir... 1. Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) Seriler durağan sürece sahip olduğu varsayımından hareketle AR.g. Burada ∆d entegrasyon işlemi anlamına gelir 105 .1) süreci AR ve MA bileşenlerinin bir kombinasyonudur. s.2. Pindyck ve Rubinfeld. + θ q et − q (1. 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.110) ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 + .11. a. Böyle zaman serilerine entegre süreç adı verilir. 105 Johnston ve Dinardo..

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

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

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

a.e. Introduction to Econometrics. dereceden durağandır denir ve I(1) olarak gösterilir. Gujarati.e. dereceden durağandır denir ve I(d) ile gösterilir 5 . Bu koşullardan birisi sağlanmadığında serinin durağan olmadığı söylenir.Birim kök testleri uygulanması.Serinin korelogramının incelenmesi. s.e. a. 215. s. s. a.g. 2. 805. Durağan olmayan seriler birim kök (unit root) içerirler.g. Zaman serilerinin uygun bir modele oturtulabilmesi için bu serilerin önce durağan hale getirilmesi gerekir 4 . 43 . Bir serideki birim kök sayısı serinin durağan olana dek alınması gereken fark sayısına eşittir. 4 5 Kutlar. 529. Ancak gerçek dünyadaki zaman serilerinin çoğu durağan değil ve dolayısıyla serilerin ortalaması zamanla değişmektedir.dolayı serinin ortalaması zamanla değişmemektedir. Yt serisi 1 farkı alınınca durağan oluyorsa seri 1. Genel olarak seri d kez farkı alınınca durağan oluyorsa seri d. Şekil 2. 6 Johnston ve Dinardo.g. Bir serinin durağan olup olmadığını anlamanın iki yolu vardır 6 : 1. 252.1 Durağan Bir Zaman Serisi Grafiği Kaynak: Maddala. s.

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

e. 392. a. SePACF ( k ) kısmi otokorelasyon katsayısının standart hatasıdır12 . Se ACF (k ) otokorelasyon katsayısının standart hatası. Eğer hesaplanan Q değeri.96).e. 45 .05 anlamlılık düzeyinde t tablo değeri (1. 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.e. Otokorelasyon katsayılarının anlamlılık testleri Q istatistikleri ile gerçekleştirilir.e. Burada tt 0. Berlin Heidelberg. Test istatistiği tablo değerinden küçükse Q istatistik değerinin anlamlı olmadığı yani serinin durağan olduğu sonucuna varılır.Se PACF ( k ) ) güven sınırlarını göstermektedir. Korelogramda otokorelasyon ve kısmi otokorelasyon grafiklerinde kesikli çizgi ± (t t . Bu istatistik şu şekilde hesaplanır 14 . a. İstatistiksel olarak anlamlı otokorelasyonların varlığı serinin durağan dışılığını yansıtır11 .etrafında dalgalanmıyorsa. 2. 13 Tsay. Baltagi. 2008. 15 Badi H. Econometrics. a. ACF (k ) 2 2 LB =n (n+2) ∑ ≈ χm n−k k =1 m (2. Springer-Verlag.g.g. yukarıya veya aşağıya doğru eğilimliyse otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönüyorsa bu serinin durağan olmadığı düşünülür. seçilmiş anlamlılık düzeyinde ki-kare tablosundaki kritik Q değerini aşarsa bütün örneklem otokorelasyonlarının sıfır 11 12 Sevüktekin ve Nargeleçekenler. 358.2) Bu test istatistiğinin istatistiksel olarak anlamlı olup olmadığını anlayabilmek için k serbestlik derecesi ile ki-kare tablo değeri karşılaştırılır 15 . Q İstatistikleri: Portmanteau Testleri Q istatistikleri bir grup otokorelasyon katsayısının sıfırdan anlamlı bir şekilde farklı olup olmadığını test etmeye yarayan bir istatistiktir13 . 229.1. Bu amaçla geliştirilen farklı Q istatistikleri söz konusudur. 27. Sevüktekin ve Nargeleçekenler. 241. s. 14 Tarı. s. a. s. s.2. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır.g.Se ACF ( k ) ) ve ± (t t .g. Ekonometri paket programı Eviews’ ta kullanılan Q istatistiği de Ljung-Box Q istatistiğidir. s.

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

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

Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 . a. 221. birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 . s.e.g. a. 48 . Bir zaman serisinin uzun dönemde sahip olduğu özellik. değişkenin bir 19 20 Johnston ve Dinardo. D. Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı. Johnston ve J. Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin).5 Trend Durağan ve Fark Durağan Seriler Kaynak: J. serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . Harris. s.4. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). 21 R. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. 1995. Dinardo.e. s. 2. 28.1. Econometric Methods.g. 802. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır. Gujarati. Şekil 2. 2. Printice Hall. Londra. s. I. 221.4. Using Cointegration Analysis in Econometric Modelling.

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

g.12) Burada t zaman ya da genel eğilim değişkenidir. 387. dereceden bütünleşik (entegre) olduğu söylenir ki bu onların otoregresif yapılarının bir birim köke sahip olduğu anlamındadır. s.10) (2.13) bu modele DF sınaması uygulanırsa. D. No.g. s. 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. τˆμ ve τˆβ istatistikleri kullanılır 28 . Ekonometriye Giriş. s. İstanbul. 29 Bentzen Jan ve Engsted Tom. a. “Short and Long Run Elasticities in Energy Demand: A Cointegration Approach”. 427-431. Eğer τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden küçükse. Sayı: 18. 26 Tümay Ertek. a. Fuller. Bir serinin Enders. Sayı: 74. Dickey. 366. a. Institute Of Economics Aarhus School of Business. 27 Gujarati. Birçok iktisadi zaman serisi durağan sürece sahip olmazlar. H0 hipotezi reddedilemez ve serinin durağan olmadığı (birim kök içerdiği) sonucuna varılır 26 . Böyle süreçlerin 1. 182.olarak adlandırılır ve τ istatistiklerinin değerlendirilmesinde bilinen t testi yapılamaz (çünkü hesaplanan t değeri büyük örneklerde bile t dağılımına uymaz) 24 . Eğer ut hata terimi ardışık bağımlı ise kullanılacak regresyon modeli aşağıdaki gibidir: ΔYt= β 0+ β 1t+ ϕ Yt-1+ α i ∑ ΔYt − i +ut i =1 m (2.g.e. s. s. 182. (1979). 2. Bu çeşit durağan olmama durumu tüm değişkenlerin birinci farklarının alınmasıyla sıklıkla ortadan kaldırılır 29 . s. Journal of the American Statistical Association. 25 24 50 . Bu nedenle τ istatistiği MacKinnon kritik değerleri ile karşılaştırılır. dolayısıyla belli bir zaman sürecinde stokastik (olasılıklı) olarak değişen trend etrafında dağılırlar. τ (tau) istatistiklerinin kritik değerleri Dickey ve Fuller tarafından Monte Carlo benzetimleriyle tablolaştırılmıştır 25 . 28 Enders.11) (2. ˆ Dickey Fuller testinde kullanılan yukarıdaki üç model için sırasıyla τ . Beta Yayınları. buna Genişletilmiş Dickey Fuller (ADF) sınaması adı verilir 27 . (1992).A. 1996. W. 817.e.e. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”.A.

zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir. Durağan olmayan bütünleşik seriler. 227-228-229. zaman serilerinin niteliği göz önüne alınmalıdır.e. ˆ 2. boş ve alternatif hipotezler bu şekilde olmaktadır.1. 210. s.g. Durağan seriler bir şoktan sonra ortalamasına geri döner. 51 . 32 Patterson. 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. H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde.e. Dickey-Fuller tarafından 30 31 Tarı. Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 . Patterson. a.g. Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 .g. ΔYt= ϕ Yt-1+ut (2. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 .4. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için.birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir.1.e.2. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında. a. s. 405.14) olur.4. a. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken. Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. ρ =1 ise yani birim kök varsa ϕ =0 olur. 2.1. s. 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.

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

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

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

g.. + φ p Yt − p + ε t (2. DF Testleri İle Birleşik Hipotez Testi Dickey ve Fuller 43 çalışmalarında β 0 .e.2. + φ p Yt − p + ε t (2. s.g. Sayı: 49. s. 2. bu halde vt = φ 2Yt − 2 + .. k kısıtsız denklemdeki katsayıların sayısı. (1981). T gözlem sayısı. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. sıfırdan farklı olacaktır. Genişletilmiş Dickey-Fuller (ADF) Testi AR(p) süreci şu şekilde ifade edildiğinde. s. Seride açıkça görünen bir ˆ trend yok ve alternatif hipotez altında ortalama sıfır ise τ istatistikleri uygun başlangıç noktası olacaktır.20) (2. 1057-1072. SSRr kısıtlı denklemin kalıntı kareler toplamı. 44 Bozkurt.e. a. s. r kısıtların sayısıdır 44 . 43 42 55 .19) olmasına rağmen AR(1) modeli.18) Burada. 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 . gecikmeli Yt değerlerinin mevcudiyeti nedeniyle.. a. SSRu kısıtsız denklemin kalıntı kareler toplamı.1. 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. Yt = μ + φ1Yt −1 + vt kullanılmış ise.ve sınaması τˆμ test istatistikleri uygun başlangıç noktasıdır.4. 233-234. 238-239.19) verileri yaratan süreç denklem (2.A Dickey ve W.A Fuller. 45 Patterson..e. Alternatif olarak Patterson. D.4. modelin kalıntılarının otokorelasyonu incelenerek yardım alınabilir. Sıfırdan farklı otokorelasyonlar var ise AR modelinin derecesi arttırılabilir45 . Bu nedenle AR(1) modelinin uygun olup olmadığı konusunda.21) olacak ve vt ile vt-1’ in k>1 için otokorelasyonları. 37-38.4. 2.g. Yt = μ + φ1Yt −1 + φ 2Yt − 2 + . a.

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

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

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

KPSS test istatistiğinin hesaplanabilmesi için. al. σ e2 ) ve ut ~ IID(0.g. 164.33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s. l ) ∑ et et − s t =1 s =1 t = s +1 (2. rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder. 59 . l ) .T l T (2.m. s. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s.…. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar. l ) = 1 − s /(l + 1) (2. t deterministik trend. s 2 (l ) kalıntılar birbirleriyle korelasyonlu olabilecekleri için tutarlı bir uzun dönemli varyans tahmincisidir ve aşağıdaki şekilde tanımlanır: S t = ∑ et t =1 T T t=1.2.34) Burada w( s. et durağan kalıntıları (et ~ IIDN(0.30) (2. 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. a. Yt = β t + wt + et wt = wt −1 + u t (2.35) 59 Kwiatkowski and et.32) Burada S t kalıntıların kümülatif toplamı. σ u2 ) göstermektedir.varyansa sahip olduğunu ve serinin deterministik trend.31) Burada wt modelin rassal yürüyüşü.

38) şeklinde hesaplanır. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir.37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir.5. deterministik trend veya kesmenin olması koşulu aranmaktadır 60 .36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir. “Efficient Tests for an Autoregressive Unit Root” Econometrica. Seride kesme ve trend gözleniyorsa c = -13. Elliott. Stock.4. Rothenberg ve J. T. J. Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır. 813-836. :α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. burada zt =(1.5 alınır. ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı. s. (1996).2. 1’ ler ve deterministik trendden oluşan vektördür). Nokta Optimal testi. y t = d t + αyt −1 + ε t (2. Sayı: 64.t)’ olarak hesaplanmaktadır ( zt . ADF-GLS testi için kurulacak hipotez. 2 PT = [S (α ) − α S (1)] / s AR (2. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde. 60 60 . H. Burada S (α ) kalıntı kareleri toplamı. β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir. Burada α =1+ c / T olarak hesaplanmaktadır. Seride sadece kesmenin olması durumunda c = -7.0 alınmaktadır. S (1) . yt zt G. ~ = y − β 'z yt t t (2. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır.

Perron. Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır.. a. (1 − α L) y t ) y y y ~ ~ ( ~1 .6. Perron ve S.. büyük oranda hata teriminde örneklem çarpıklığı olmaktadır.. Econometrica. The Review of Economic Studies.. DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır. 435-463.40) Ng-Perron birim kök testi.43) Elliott and et.39) (2.. al. ~2 . “Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. ~t ) = ( y1 .g. s.. 1519-1554... s. 831.. 62 61 61 . NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 63 . d MZ α = (T −1 (YTd ) 2 − s 2 ) /( 2κ ) MZ td = MZ α × MSB MSB d = (κ / s 2 )1 / 2 (2.m..41) olmak üzere. Sayı: 69. (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 .. Sayı: 63. 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. Ng-Perron Testi (2.. Ng ve P. PP testinde serilerde negatif hareketli ortalama yapısı olduğunda. P. (1 − α L) y 2 ... ~t ) = ( z1 .. (1 − α L) z 2 . 2. Ng.~ ve ~ şöyle tanımlanır.42) Hesaplamada. ~2 . T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2. (2001).4. (1996). s. 63 S.. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. yt zt ~ ~ ( ~1 . Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır.

62 . 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 = { . s. CT (τ T (k ) + k ) T − k max (2.44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir. 64 Ng ve Perron. Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada.Buradan. Bu aşamadan sonra test istatistikleri denklem (2. ˆ ˆ β (1) = ∑ β i 1 k (2. a.48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2. t } 1 ise ise (2.m.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 .42) deki formüllere göre bulunabilir.45) (2.46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır. 1529.49) (2.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir.g.

636. 423. 2007. a.e. TÜİK. kurum ve kuruluşlara ait kesin bütçe değerleri. imal ve istihraç edilen mallardan yapılan ihracat kapsanmaktadır 2 . Ankara.ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan İstatistik Göstergeler (1923-2006)’ de yer alan İhracatın Gayri Safi Milli Hasıla (GSMH) içindeki payı verileri kullanılmıştır. 1979 ve 1985 input-output tablolarından alınan teknik katsayılar ve 1987 yılının gösterge ve ağırlıkları kullanılmıştır. 1973. İhracat bilgilerinde ise ülke içinde üretilen. 63 .g. Eski GSMH serisi yeni kapsama göre revize edilerek 1968 yılına kadar geriye dönük yeni bir seri elde edilmiştir 1 . 3. 3. s. Bu çalışmalarda TÜİK’ in cari anketlerinden elde edilen kesin sonuçlar. İstatistik Göstergeler 1923-2006. Türkiye İstatistik Kurumu Matbaası.2.1. Ayrıca daha önce yapılan yıllık hesaplamalara dahil edilemeyen bazı maddeler ve ekonomik alt sektörlerde sisteme dahil edilmek suretiyle kapsam genişletilmiştir. Uygulama Serisi 1990 yılında başlatılan çalışmalarla GSMH hesapları üçer aylık dönemler itibariyle hesaplanmaya başlanmış ve 1968 olan temel yıl da 1987 yılına kaydırılmıştır. s. 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. 1968. 1 2 TÜİK.

USA.6 7.8 7.1 8.3 3.6 13. 64 .6 7.6 3.8 2.9 12. ekonometri paket programı Eviews 5.1 20.2 İhracatın GSMH içindeki payı (%) 5.9 8.6 7.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8.4 10 9.3 4. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi. 3 Eviews 5.4 11.1 11.8 İhracatın GSMH içindeki payı (%) 3.7 2.4 21.9 10.7 12.8 4.4 4 2. 434-435.1 5. s.3 8.7 2.3 6 5 5.3 6.3 5. İstatistik Göstergeler 1923-2006.7 2.9 3.5 4 5.2 10 7.9 4.6 13.3 6.1 3.9 9.8 8.1 14.8 9.9 4 4.1 9.6 9.9 19.7 13.7 12.4 13.9 11.2 9.1 yardımıyla analiz edilmiştir.9 İhracatın GSMH içindeki payı (%) 9.9 3. LLC. Tablo 3.3.5 12. 2005.6 8.9 21.7 6.2 10.1 User’s Guide.4 2.9 11. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.2 9 8.3 2 2. Quantitative Micro Software.5 4.3.4 Yıllar 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 Yıllar 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 Yıllar 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 Yıllar 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Kaynak: TÜİK.9 4. Durağanlık analizi sonrasında zaman serisi modellemesinde en uygun öngörü yöntemi olan Box-Jenkins (BJ) yöntemi kullanılarak 2007 yılı ihracatın GSMH içindeki payı (%) verisi öngörülmeye çalışılmıştır.6 8.7 7.5 19.8 21.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .7 9.7 7.7 4 3 3.7 3. Seri.

Logaritması alınan ihracatın GSMH içindeki payı (LIHR) serisinin görünümü Şekil 3.1’ dedir. Şekil 3.1’ de yer almaktadır.2 Birinci Farkı Alınan LIHR Serinin Zaman Yolu Grafiği 65 . Serinin zaman yolu grafiği incelendiğinde. Şekil 3.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.

kısmi korelasyonların (PAC) ve Q istatistiklerinin birlikte hesaplattırıldığı özellikle k sayıda gecikmenin serinin istatistiksel olarak anlamlı bir katsayı üretip üretmediğini korelogram vasıtasıyla takip etmek mümkündür.4.Şekil 3. Şekil 3.2’ de birinci farkı alınan LIHR serisinin zaman yolu grafiği görülmektedir. LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi Örneklem otokorelasyonlarının (AC). 3.3 LIHR Serisinin Korelogramı 66 . Serinin birinci farkları alınınca belli bir ortalama etrafında dalgalandığı ve durağan hale geldiği söylenebilir.

e.Şekil 3.213 olacaktır. a.96*0.3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir. Bu çizgilerin oluşturduğu alan.3’ de otokorelasyon katsayıları için güven aralıkları ise. 67 . Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur.109 9.165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır.311 > t t =1.906 = 8. Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir.05 anlamlılık düzeyinde kritik tablo hesaplanır.109 0. İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir.Se ACF (k ) ) ile hesaplanır.109) = ± 0. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir.96 olduğundan boş hipotez reddedilir.g. 391.Se ACF (k ) ) = ± (1. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası. Kısmi otokorelasyon fonksiyonu 4 Tarı.311 0. Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır. O halde serinin durağan olmadığını söylemek mümkündür. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir. Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı. ± (t t . Şekil 3. t t =1. istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok. Se ACF (k ) = 1 84 = 1 = 0. ± (t t .96 ile karşılaştırıldığında tACF(1) = 8. s. tACF(1) = şeklinde 0. Seri belirli bir ortalama etrafında dalgalanmadığı için. dışına taşıyor ise var demektir 4 .

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

390) %5 anlamlılık düzeyinde t tablo değeri 6 ile karşılaştırıldığında 7 . τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde küçük olduğunda H0 hipotezi reddedilemez ve serinin durağan olmadığı sonucuna varılır. o zaman farkı alınan sayı kadar serinin birim kök içerdiği sonucuna varılır. 2.e. 7 Patterson. s. a. Seride birim kökün varlığı nedeniyle karşılaştırmada standart t tablo değerleri kullanılmaz.390<3. H0 = ϕ = 0 H1 = ϕ < 0 Burada boş ve alternatif hipotezler sırasıyla seride birim kökün var olduğunu ve var olmadığını ifade eder. 238. Bu H 0 hipotezinin reddedilemeyeceği ve seride deterministik trendin olmadığı anlamına gelir.değişkeninin t istatistiği değeri (2.g.42 olduğu görülür. Tablo 3.5 LIHR Serisinin Düzey Değerleri İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Bu t tablo değerleri standart t tablo değerleri değildir. H 0 : β1 = 0 H 1 : β1 ≠ 0 Tek yanlı olduğu için daha güçlü olan τˆβ testi yapıldığında. Serinin farkı alınarak aynı karşılaştırma yapıldığında τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde büyük çıkarsa. 6 71 .

1. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir. LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri Deterministik trendin katsayısı anlamsız bulunduğu için Φ 3 testi deterministik trendi dikkate almayan Φ1 testini uygulamanın daha iyi olduğunu ifade eder.Tablo 3.7’ deki gibi olduğu bulunur.2. Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir. Tablo 3. 3.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. 12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3.5.7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.263) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. 72 .

Patterson.740 olduğu görülür. 73 .7’ deki kesme teriminin t istatistiği değeri (1. s.e. a.857 <4. a.735 ve p=0. Tablo 3. 0.g. %5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında. serisel korelasyon yoktur.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3.e. 231. s.46 olduğundan H 0 reddedilemez. Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir.308). %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında. Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder. Hesaplanan test istatistiği. 8 β 0 kesme teriminin anlamlığına bakıldığında. 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. 238. 8 9 Patterson.857). 1.8’ de elde edilen F istatistiği (0.308<2.8 LIHR Serisi İçin Φ1 Testi Tablo 3.86 olduğu görülür.g. Obs*Rsquare=11.

H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. 3.10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3.129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.5. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür.1.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 .3. LIHR Serisi İçin τˆ Sınaması Tablo 3.

seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. H 1 alternatif hipotez ise. %1. Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır. mutlak değerce küçük olduğu görülmektedir. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1.5. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir.2.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8.Tablo 3.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1. seride birim kökün varlığını ve serinin durağan olmadığını. Burada H 0 boş hipotezi.87). 3. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir. 75 .12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.

%1. mutlak değerce küçük olduğu görülmektedir. birim kök vardır.55).3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir. seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. H 1 alternatif hipotez ise.15.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1.127). seride birim kökün olmadığını ve serinin durağan olduğunu. Tablo 3. birim kök yoktur H 1 : Seri durağan değildir. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.Tablo 3. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. 76 . %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. H 0 : Seri durağandır. 3.5. Burada H 0 boş hipotezi. %1. Çünkü PP test istatistiği (-8. Buradan serinin bir birim kök içerdiği sonucuna varılır.

27). seride birim kökün varlığını ve serinin durağan olmadığını.16’ ya göre. Tablo 1) Düzey değerleri için yapılan KPSS birim kök test sonuçlarını gösteren Tablo 3.16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3.03).4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir. H 1 alternatif hipotez ise.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992.17’ ye göre. test istatistiği (0. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 . Seri birim kök içermektedir ve durağan değildir.Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır. test istatistiği (0. Burada H 0 boş hipotezi. LIHR serisinin birinci farkı alınarak yapılan KPSS testinin sonuçlarını gösteren Tablo 3. 3.5.

18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3. 3. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.53). Tablo 1) Tablo 3. seride birim kökün varlığını ve serinin durağan olmadığını.19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg. mutlak değerce küçük olduğu görülmektedir.5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir. %1.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1. birim kök yoktur 78 . Tablo 3. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. birim kök vardır. H 1 : Seri durağandır.Stock (1996.Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. Burada H 0 boş hipotezi.5.19. H 0 : Seri durağan değildir. H 1 alternatif hipotez ise.

Tablo 3.Perron testi sonuçları verilmektedir. Bu durum modelde MA’ nın derecesinin sıfır olduğunu göstermiştir yani seri hareketli 79 . Her iki sütun içinde test istatistikleri.21 Birinci Farkı Alınan LIHR Serisi İçin Ng-Perron Testi * Ng-Perron (2001. Tablo 1) Tablo 3. Korelogramdaki ACF grafiği. LIHR Serisi İçin Box Jenkins (BJ) Yöntemi 1.20 LIHR Serinin Düzey Değerleri İçin Ng-Perron Testi * Ng-Perron (2001. 3.20’ deki Ng-Perron test istatistiklerini MZa ve MZt sütunlarındaki kritik değerlerle karşılaştırmak birim kök testi için yeterlidir.21’ de birinci farkı alınan LIHR serisi için Ng. LIHR serisinin Şekil 3. Burada test istatistikleri. birinci farkları ile durağan olduğu yapılan korelogram ve birim kök testlerinden anlaşılmıştır.3’ deki korelogramına bakılır. Bu da seride bir birim kök olduğunu gösterir. kritik değerlerden mutlak değerce büyük olduğu için birinci farkı alınan LIHR serisinin birim kökünün olmadığı ve durağan olduğu sonucuna varılır. Tablo 3. Durağan I(1) LIHR serisinin AR ve MA durumunu araştırmak için. otokorelasyon değerlerinin giderek azalan bir yapıda olduğunu göstermektedir. Tablo 1) Tablo 3.6. kritik değerlerden mutlak değerce küçük olduğu için LIHR serisinin birim kökünün olduğu ve durağan olmadığı sonucuna varılır. Aşama: Belirlenme Logaritmik ihracatın GSMH içindeki payı (LIHR) serisinin düzey değerleri ile durağan olmayıp.

1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir. bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir.5’ de görülmektedir. 80 . 3. İlgili korelogram Şekil 3. 2. Bunun için hata terimlerinin korelogramı incelenir. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır.073 bulunmuş olup. Aşama: Uygunluk Testi (3. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3. Böylece serinin ARIMA(1. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. Tahmin edilen model. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir. Yani AR(1) durumu söz konusudur.1.132 ve -0. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu.007 + 0. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur. Δlihrt = 0.ortalamaya sahip değildir.102Δlihrt −1 + et olur.1)’ deki modelin uygunluğuna karar verilir.0) yapısına sahip olduğuna karar verilmiştir.

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

E. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3. 2007 yılı için öngörü yapılabilir.4 .000000 0. Bu model öngörü için kullanılabilir.221000 0.1.578 çıkarken p değeri 0.2 Forecast: DLIHRF Actual: DLIHR Forecast sample: 1923 2010 Adjusted sample: 1925 2007 Included observations: 82 Root Mean Squared Error Mean Absolute Error Mean Abs.05 olduğu için). 0.22 ARIMA(1.2 -.Tablo 3.6 .896970 0.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S. Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 . Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0.6 Modelin Öngörü Performansı Şekil 3.48 olmuştur. 4. 1990 2000 Şekil 3.4 -.6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır. Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak.1055 0. Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı.186286 .0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler.22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11. .813714 0.0 -.48>0. H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.171334 109.

6 . DLIHRF . Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3.e. 10 Pindyck ve Rubinfeld. Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir.02 -.04 -. 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.4 .02 . Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür.06 .62’ dir. Eviews 5. s. 83 .g.olduğuna işaret eder 10 .074 (LIHRF) olarak bulunur.2 -.00 -.4 -.011 olmuştur.063+0.2 .04 . 3.8 .074 değerinin logaritmik dönüşümü yapıldığında.011=3.08 . 2. öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir.0 -.1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0. a. 211.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3.06 30 40 50 60 70 80 90 00 10 .

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

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

Son aşama olan öngörü aşamasında.modellenmeye çalışılmıştır. Seriye uygun olduğu düşünülen ARIMA(1.1.0) modeli hata terimlerinin (kalıntılarının) temiz dizi (beyaz gürültü) olup olmadığı yani sabit bir ortalama ve varyansa sahip olup olmadığı araştırılmış ve hata terimlerinin temiz dizi olduğu yapılan korelogram testi ile görülmüştür. d.0) yapısında olduğu tespit edilmiştir. Böylece 2007 yılı için önraporlanan ihracatın gayri safi milli hasıla (GSMH) içindeki payı % 21.1. Box Jenkins (BJ) yöntemi kullanılarak serinin ARIMA(1. q değerleri tespit edilen bu modelin parametre tahminleri yapılarak modelin uygun olup olmadığı test edilmiştir. Yöntem. 86 . p.62 olarak tahmin edilmiştir. Böylelikle öngörü için kurulan modelin doğruluğu desteklenmiş olup uygunluk testi sonucunda tahmin modelinin öngörü için uygun olduğu anlaşılmıştır. serinin bütünüyle kendi geçmiş bilgisine dayanarak tahmin yapmaya yöneliktir. verilere en uygun bulunan zaman serisi modelinin önraporlaması yapılmıştır. Başarılı bir tahmin için yöntemin safhaları uygulanarak verilere en uygun ARIMA veri üretme süreci bulunmuştur. Öngörü serisinin grafiğine bakıldığında da model seçiminin doğruluğu görülmüştür.

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

ROTHENBERG. W. G. GRIFFITHS. Sayı: 2.. GUJARATI. 1993. ve DINARDO. G. GRANGER. Nobel Yayın Dağıtım. Ekonometriye Giriş. Newyork. Econometrica. “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root” Econometica. s. BELL. İstanbul..A. W .813-836. 1.1057-1072. HARRIS. E. ELLIOTT. William R.. “Distribution of the Estimators for Autoregressive Time Series With a Unit Root”. s. No. (1986). David A. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician.. I. 1997. Ankara. FULLER.. Sayı: 40. John Wiley&Sons. Walter... 1996. John Wiley &Sons. Journal of the American Statistical Association. s. Londra. J. ve STOCK. 88 . 427-431. D. C. (1979).J. Basic Econometrics. Applied Econometrics Time Series. C. D. Econometric Methods..A. McGrawHill International Edit. Printice Hall.A. (1981). J. “Spurious Regressions in Econometrics”. Sayı: 74. 111-120. DICKEY. W. Uygulamalı Ekonometri. Sayı: 49.. “Efficient Tests for an Autoregressive Unit Root”. Robert B. Aziz. W. Beta Yayınları. R. s. JOHNSTON. s. H.DICKEY.. (1996).. Using Cointegration Analysis in Econometric Modelling. Tümay.. T. Learning and Practicing Econometrics. NEWBOLD P. R. 366. Newyork. 4. JUDGE. MILLER.. J..A. The McGraw-Hill Comp. Sayı: 64. J. Newyork. KUTLAR.. HILL ve G. 2004. DICKEY. Journal of Econometrics. ERTEK. 2004. (1974). Newyork.. Damodar N. 2005. FULLER. D. 12-26. ENDERS. 1995.

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

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

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

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

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

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

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

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

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

Ekran 1.11 Kalıntıların Serisel Korelasyon Testi Penceresi

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

Ekran 1.12 Parametre Testleri Penceresi

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

98

Ekran 1.13 Φ Testleri İçin Wald Testi

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

Ekran 1.14 Regresyon Denklemi Kurma Penceresi

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

99

Ekran 1.15 Öngörü Penceresi

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

100

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

Sign up to vote on this title
UsefulNot useful