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

........ Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF)..................................11.........3..............................11........... Durağanlık Analizi: Birim Kök Testi ..................1.......................2............. 31 1................2.......... AR(2) Sürecinin Özellikleri .. MA(1) Sürecinin Özellikleri ....2.........................................11.... 42 2......12..................................................1. Otoregresif Süreç (Autoregressive Process-AR) ......... 28 1..................10............11..... ARMA(p.......................... Φ1 ve Sınaması τˆμ Test İstatistikleri . 19 1..3.....4.....10...........10........q) Sürecinin Özellikleri..............2.........................4.............11.... Karma Otoregresif Hareketli Ortalama Süreci (Autoregressive Moving Average Process-ARMA).....................1................................... AR(1) Sürecinin Özellikleri ...................... 51 2...............4............. Φ 3 ve Sınaması τˆ β Test İstatistikleri.. Tek Değişkenli Zaman Serisi Modelleri .......2....... 32 1............... Durağanlık Analizi: Korelogram Testi.....11............................................2.........................2... 36 1. 44 2..........................11....................3................1.... Otokovaryans ve Otokorelasyon ...........................2.....1.......................4..........4... AR(p) Sürecinin Özellikleri ....3......10......................11.........3.....1......... 24 1........ 48 ˆ 2.1.......... DF Testleri İle Birleşik Hipotez Testi........................................................................ 33 1........ Hareketli Ortalama Süreci (Moving Average Process-MA)............. 44 2...... Dickey-Fuller (DF) Testi... 37 1................. 39 1............ 55 2...1) Sürecinin Özellikleri................................. 23 1........11..................................1.4....................11................................. 47 2........ 20 1.................... 31 1.........4.4..........2.....3......................... Trend Durağanlık ve Fark Durağanlık ..........4.. ARMA(1............4....11... Sahte (Spurious) Regresyon......1 τ Sınaması.................................. 40 İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ 2.........1.........1.....3.................1........ 23 1........... Homojen Durağan Olmayan Süreç (Autoregressive Integrated Moving Average Process-ARIMA) ...... MA(2) Sürecinin Özellikleri ........................................ 34 1. 25 1............................................ 55 ................3................... MA(q) Sürecinin Özellikleri ....... Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) ................................... Box Jenkins (BJ) Yöntemi ...................... 22 1. 39 1.......................10.....1....................... 51 2.............. Genişletilmiş Dickey-Fuller (ADF) Testi .1. 24 1.................................................. Otoregresif Sürecin Derecesinin Belirlenmesi... Zaman Serilerinde Durağanlık Analizi ..1............................1........1. 30 1....11...... 45 2...................1................................. Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı..................11..1...................................11..... 48 2........................ Korelasyonun İstatistiksel Anlamlılığı.......1....................2.........2..................3..... Q İstatistikleri: Portmanteau Testleri .......4.... 53 2.........2..

................ LIHR Serisi İçin Durağanlık Analizi: Birim Kök Testi ..................1....................................... 87 EKLER..................... Uygulamada Kullanılan Yöntem..................3.. LIHR Serisi İçin KPSS Testi ................................... 91 ÖZGEÇMİŞ ................................................. KPSS Testi ......5................................................................................................................... 64 3.............. İhracatın Gayri Safi Milli Hasıla (GSMH) İçindeki Payı Üzerine Uygulama ....................... LIHR Serisi İçin ADF Testi ..............5... 77 3........ 69 3...........................4....... LIHR Serisi İçin Phillips-Perron (PP) Testi.......................................4................................................................ 74 3..5...6................................ Uygulama Serisi ........................ 75 3.................................................. LIHR Serisi İçin Ng-Perron Testi ..2.....5..4...4................2...................... 57 2.5....................1............5.............. 84 KAYNAKLAR ............ 101 ............1...................................... LIHR Serisi İçin Φ1 ve Sınaması τˆμ Test İstatistikleri.......1..5......... 78 3................................................... 79 SONUÇ ....................2........... 63 3......4......................................................................................... Phillips-Perron (PP) Testi .... LIHR Serisi İçin Φ 3 ve Sınaması τˆβ Test İstatistikleri..........................................1....... ADF-GLS (Nokta Optimal) Testi .........4............5.2............... 69 3.......4...... 60 2.................. Ng-Perron Testi.. LIHR Serisi İçin τ Sınaması ........... 58 2...........6........5.............. 63 3..LIHR Serisi İçin Box Jenkins (BJ) Yöntemi ......3............. 69 3...........1...........................................5................... 61 ÜÇÜNCÜ BÖLÜM İHRACATIN GAYRİ SAFİ MİLLİ HASILA (GSMH) İÇİNDEKİ PAYI ÜZERİNE UYGULAMA 3...................................................... LIHR Serisi İçin Durağanlık Analizi: Korelogram Testi.................................................... 76 3..................3................................5............... 72 ˆ 3.................................. Uygulamanın Amacı ........3............................. 66 3.......................................................... LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi............................ 63 3.......

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

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

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

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 .

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

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

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

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

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

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

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

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

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.1 paket programı kullanılarak. 3 . Üçüncü bölümde ise Eviews 5.

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

T= N veya T=Z şeklinde seçilmiş ise {Xt : t Є T} Kerry Patterson. a.1] gibi sürekli aralıklar da olabilir.±1. 6 G. s. Eğer T indis kümesi T= {0. 4 Patterson. T= {0.2. Tüketim harcamaları ile ilgili yapılan bir araştırmada tüketicinin cinsiyeti. 5 Özer Serper. s.zaman sınırlı değerler alan veriler ise nitel verilerdir 3 . 1.3. 1992. ±2. T bir indis kümesi olmak üzere. 2000. T= [0. yıllık ve daha uzun dönemli aralıklarla derlenir.g. Çok sayıda ülkenin 2006 yılındaki enflasyon oranları yatay kesit verilerine örnektir. haftalık. Zaman serisi verileri günlük. sağlık gibi birçok farklı alanlarda derlenmekte ve toplanmaktadır. çeyrek yıllık (üç aylık).3….3…}= N. 289. Yatay kesit verilerinin zaman serisi gözlemlerine sahip olduğu durumda derlenen veriler ise panel verileridir. s. ±3…}= Z olarak alınabildiği gibi T = R. otomobil sahibi olup olmadığı gibi değişkenler nitel değişkenlere örnek gösterilebilir.}. haftalık para arzı. Filiz Kitabevi. 3 5 .4. 24.S. mühendislik. Uygulamalı İstatistik 2. Bir veya daha fazla değişkeni zaman içinde inceleyerek derlenen veriler zaman serisi verileridir 4 . günlük sipariş sayıları vb. Aylık işsizlik. Newyork. 1. s.2. Maddala. seriler zaman serilerine örnek gösterilebilir 6 . Çok sayıda ülkenin yıllar itibariyle enflasyon oranlarının incelenmesi için ele alınan veriler panel verilere örnek gösterilebilir. 1996. Zaman Serisi ve Panel Verileri Tek bir zaman noktasında çok sayıda ülkeyi. işletmeyi.1] gibi sürekli aralıklar olarak seçildiğinde {Xt : t Є T} zaman serisine sürekli zaman serisi adı verilir. Macmillan Publishing Company. Türkiye’ de 1980-2006 yılları arasındaki enflasyon oranları zaman serisi örneğidir. Zaman Serileri Analizi Gözlem sonuçlarının zaman vasfının (değişkeninin) şıklarına göre sıralanmasıyla elde edilen seriye “zaman serisi” denir 5 . Yatay Kesit. Zaman serileri ekonomi. İstanbul. aylık. Buradaki T indis kümesi genel olarak T= {1. Newyork. 25. Introduction to Econometrics.1. An Introduction to Applied Econometrics : A Time Series Approach. eğitim. Gözlem değerlerinin elde ediliş biçimine göre zaman serileri kesikli ve sürekli zaman serileri olarak gruplandırılır.e. bir zaman serisi {Xt : t Є T}şeklinde ifade edilir. 525. Eğer T indis kümesi T = R veya T= [0. bireyi inceleyerek derlenen veriler yatay kesit verileridir. Great Britain.

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

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

Uzun Dönem Eğilimi (Trend) İktisadi faaliyetlerin her biri zaman içerisinde çeşitli faktörlerden etkilenir. Bunun sonucunda üretim faaliyetlerinin trendi artış yönünde olur.g. 15. 14.g. fakat uzun dönemde ana eğilim sabittir. Konjonktürel hareketler içeren zaman serilerinin analizinde. s. 294. a. 12. Konjonktürel kalıplar ile mevsimsel kalıplar arasında benzerlik olmasına rağmen mevsimsel hareketler nispeten daha düzenli ve periyodiktir. 1. Yaz aylarında soğuk içecek satışlarının artması mevsimselliğe örnek gösterilebilir. s. 16 Sevüktekin ve Nargeleçekenler.6.6. 15 Sevüktekin ve Nargeleçekenler. Mevsimlik dalgalanmalar döngüsel olduğu gibi aynı zamanda periyodiktir. refah döneminden durgunluk dönemine ve durgunluk döneminden refah dönemine geçiş noktalarının analizi önem kazanmaktadır 16 . 12 13 Serper.e. 8 . s. a. Konjonktürel (Cyclical) Dalgalanmalar Konjonktürel hareketler daha çok ekonominin veya sektörlerin refah ya da durgunluk dönemlerini içerir 15 . a.g. a. durgunluk dönemlerinde azalışlar olabilir. s. Sevüktekin ve Nargeleçekenler.2. Zaman serilerinde mevsimselliğin ortaya çıkışında hava şartları. 293.6. Refah dönemlerinde ekonomik göstergelerde artış olurken. Mevsimlik ( Seasonal) Dalgalanmalar Birçok zaman serisi belirli dönemlerde mevsimsel faktörlerin etkisi altındadır 13 .1. Çünkü dalgalanmaların uzunluğu yani iki maksimum veya iki minimum nokta arasındaki zaman aralığı hep aynıdır. a. 14 Serper. 1. insan alışkanlıkları.3.e.g.e.1.e. s. Konjonktürel hareketler düzensizdir ve periyodik değildir.e.g. Zaman serisinin uzun dönemde belli bir yöne doğru gösterdiği eğilime trend denir 12 . Bu faktörlerin etkisiyle seride kısa dönemde ufak çaplı sapmalar olabilir. Bir zaman serisindeki tekrarlanan döngüsel hareketlere mevsimsel dalgalanma denir 14 . Zamanla nüfusun sürekli olarak artması kişi başına milli gelirin artmasına ve buna bağlı olarak hayat standardının yükselmesine neden olur. resmi veya dini bayramlar gibi birçok faktör etkili olur.

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

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

Bu ifade Yt ile k sayıda gecikmeli Yt+k arasındaki kovaryansın gösterilmesi için kullanıldığında. s. 1.6) olur 23 .1.2. γ kt = Cov(Yt . 67. Fark Denklemleri ve Çözümleri Zaman serisi analizlerinde kullanılan denklemler fark denklemi matematiğine dayanır. Dizinin öngörülen bileşenleri gelecek içinde tahmin edilebileceğinden bir dizinin dinamik yolu devam ettirilerek önraporları geliştirilir. 29. Y = f(t) . Y = f(t) 23 24 (1. 11 . a.e. Fark denklemleri ile doğrusal zaman serisi modellerinin uygun tahminleri elde edilir. Nobel Yayın Dağıtım. Örneğin hisse senedi fiyatlarındaki günlük değişmelerin ortalamasının sıfıra eşit olduğu varsayıldığında.. Aynı seri üzerinde farklı gözlemler arasındaki kovaryanslar otokovaryans olarak bilinir.t 2 ile gösterilmiştir. 2005. s. a. Sevüktekin ve Nargeleçekenler.. beklenen değeri sıfır olan rassal kalıntılardır. 1. t’ nin bir fonksiyonu olarak tanımlansın. bir rassal yürüyüş modelidir 25 . Fark denklemlerinin en basit şekli.Zaman serisi modellemesinde kovaryanslar önemlidir.8) Chatfield. Bir zaman serisi değişkeni (Y). Denklemde Yt1 ile Yt2 arasındaki kovaryans γ t1..g. s.9. Uygulamalı Ekonometri. t = 1.7) Yt .g. Fark Denklemleri Zaman serilerinin geleneksel kullanımı. bir değişkenin geçmişteki değerlerine dayanarak zaman yolunu önraporlamaktır 24 .T’ dir.9. Bir stokastik sürecin dağılımı değişkenin birinci ve ikinci momentleri ile ortaya konulabilir ve her iki moment zamanın bir fonksiyonudur. 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. Ankara. t günündeki bir hisse senedi fiyatı et . Tahmin edilen denklemler uygun bir biçimde ekonomik verilerin yorumunda ve hipotez testlerinde kullanılabilir. Yt + k ) = E [(Yt − E (Yt ))(Yt + k − E (Yt + k ))] (1. 252.e.. 25 Aziz Kutlar.

(1.f(t-1) = Yt -Yt-1 ∆Yt+1 = f(t+1) . t* gibi herhangi bir özel değeri alırsa.10) (1. farklar. Yt*+1 . Δ2Yt = Δ (Yt − Yt −1 ) = (Yt − Yt −1 ) − (Yt −1 − Yt − 2 ) = Yt − 2Yt −1 + Yt − 2 şeklinde yazılabilir 26 . Yt = f(t) fonksiyonel ilişkisinde t’ nin ardışık ve özdeş aralıklarla bir değerler dizisi oluşturulduğunda t için { Yt } dizisi {…Yt-3 . Ardışık 1. s.…. Benzer biçimde k dönemlik bir artış veya azalış dikkate alındığında Y’ nin değeri ∆Yt+k = f(t+k) .Yt* = f(t*+1) .12) bir dizi şeklinde yazılabilir.f(t+k-1) = Yt+k -Yt+k-1 (1. İkinci fark alma. 12 . ∆Yt = f(t) .13) Bu durumda. Yt*+k .f(t*) yazılabilir. Y’ de böyle bir özel değer için Yt* olarak tanımlanır. Δ (ΔYt ) = Δ2Yt (1. Yt+k } ile tanımlanır.f(t) = Yt+1 -Yt ∆Yt+2 = f(t+2) .14) 26 Sevüktekin ve Nargeleçekenler.f(t*) yazılabilir.11) olur. fark almanın iki kere yapılması veya birinci farkın tekrar farkının alınması anlamına gelir. Yt = f(t)’ in n. Y’ nin t döneminden bir dönem ilerisi için farkı. 69-70-71.f(t+1) = Yt+2 -Yt+1 ……………………………………………………… * (1. Yani farkın farkı veya farkın karesidir.9) (1. Yt-2 . a.…. Yani Yt* = f(t*) Yt*+k = f(t*+k) olur.Yt* = f(t*+k) . Yt+1.e. Benzer şekilde k dönem ilerisi için farkı. farkını ∆n almak için kullanılacak tablo aşağıda gösterilmiştir.g.ilişkisinde eğer t.

s. s. Gecikme ve ilerletme için L işlemcisi kullanılır 27 .2.1 n.9. 13 . Zaman Serilerinin Geciktirilmesi ve İlerletilmesi Bir değişkenin geciktirilmesi veya ilerletilmesi.Tablo1.g. 1. a. i. 1 1 4 1 3 6 …. Patterson. Yıllık veriler için yıllık büyüme oranı (Yt -Yt-1) / Yt-1 kullanılacağından verilerin geciktirilmesi önem kazanmaktadır 28 . USA. s. Denklemin Katsayıları 1 1 2 3 4 1 1 1 1 Kaynak: Sevüktekin ve Nargeleçekenler. Zaman Serileri Analizi. Analysis of Financial Time Series. i. Farkın Alınmasında Fark Denklemi Açılımı Fark Alma Derecesi 0 1 2 3 4 …. Tsay. ilerletme için Yt+i alt imi kullanılarak ileriye doğru hareket biçiminde ifade edilebilir.e. 32. benzer bir işlemle gerçekleştirilir. gecikme için Yt-i alt imi kullanılarak geriye doğru. Tablo 1.2 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. 2004. 72. John Wiley &Sons. 36.

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

dereceden bir denklem . (1.19) ( Li + L j )Yt = Li Yt + L j Yt = Yt −i + Yt − j • Gecikme işlemcisi için çarpmanın birleşme kuralı vardır.25) şeklinde yazılabilir.Yani L0 . (1. (1 − φ1 L − φ 2 L2 .24) (1.g. 1.e.9. Gecikme Polinomu Gecikme polinomu L’nin doğrusal bir fonksiyonudur. − φ p Yt − p (1.e. 34.e. Yt ’ yi değişmeden aynen bırakan özdeşlik operatörüdür 31 . Yt − φ1 LYt − φ 2 L2Yt − . 34.. 108-109.20) Li L j Yt = Li ( L j Yt ) = Li Yt − j = Yt −i − j • Gecikme işlemcisinin negatif kuvveti ilerletilme anlamına gelir.. Yt parantezine alarak bu ifade. Korelasyon Ölçüleri İstatistikte değişkenler arasında birlikte hareket etmenin veya birlikteliğin büyüklüğünü ölçmeye çalışan birçok betimsel istatistik söz konusudur.. s..)Yt = φ ( L)Yt (1. Gecikme işlemcisi kullanılarak p. Bu p. s.22) 1. s. 33 Sevüktekin ve Nargeleçekenler.. L1 genellikle L olarak yazılır ve Li L j Yt = Li + j Yt = Yt −(i + j ) dir 32 . Patterson. a. (1. 15 .g. 34 Patterson. Polinomun derecesi polinomdaki L’ nin en yüksek gücü tarafından belirlenmektedir. − φ p Lp Yt şeklinde yazılabilir. Yt − φ1Yt −1 − φ 2Yt − 2 − .g. L− i Yt = Yt +i (1. a. dereceden gecikme polinomu φ (L ) yi tanımlamaktadır 34 . a.10.. a. s.21) (1. Bu tür 31 32 Patterson.23) Gecikme işlemcisi L denkleme eklendiğinde.18) Lc = c Gecikme işlemcisinin dağılma özelliği vardır.g. 34. Gecikme işlemcisinin özellikleri 33 .e.4. • • Bir sabit değerin gecikmesi yine bir sabit değerdir.

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

s. Bu durumda 39 40 Sevüktekin ve Nargeleçekenler. s. 26. Bu ifade sezgisel olarak bir değişkenin değerindeki değişmenin diğer değişkenin değerindeki değişmelerle bir alakası olmadığını söyler. Şekil 1.3 Pozitif ve Negatif Kovaryanslar (a) Pozitif Kovaryans (b) Negatif Kovaryans Kaynak: Sevüktekin ve Nargeleçekenler. Cov ( X . Cov ( X . Eğer X’ in değeri ortalamasının üstünde fakat Y’ nin değeri ortalamasının altında ise ya da tersi durum söz konusu ise kovaryans negatif olacaktır 39 .28) X ve Y gibi iki değişken gerçek anlamda bağımsız ise Cov ( X . a. Eğer değişkenler arasında tam bir bağımsızlık varsa kovaryans yine sıfır çıkar. Pindyck R. ve D. 26.g. Kovaryans. Rubinfeld. S.Her iki değişken aynı zamanda onun ortalamasının altında ve üstünde yer alıyorsa kovaryans pozitif olacaktır. Y ) = 1 N ∑(X i =1 N i − X )(Yi − Y ) (1. a. Econometric Models and Economic Forecasts. Singapore. 214. s. Dolayısıyla eğilimsiz kovaryans tahmincisi 41 . Y ) = 0 olur 42 .27) Eğilimsiz bir kovaryans ölçeğine ulaşabilmek için serbestlik derecesi dikkate alınır. X ve Y değişkenlerinin ortalamaları civarındaki sapmaların aritmetik ortalamasını alarak yeniden tanımlandığında 40 .e. Y ) = 1 N ∑ ( X i − X )(Yi − Y ) N − 1 i =1 (1. a. 214. 17 . 42 Tsay.e. Irwin/ McGraw-Hill International Edit. Benzer şekilde eğer iki değişken arasında ilişki yoksa ortalamadan sapmaların arasında da bir ilişki olmadığı anlamına gelir. L. s.e. Zaman Serileri Analizi. Fakat kovaryans ölçüsü değişkenler arasındaki değişimin bir ölçüsüdür. 25.. s. 1998. 41 Pindyck ve Rubinfeld.g.g.

Denklem (1. 46 Patterson. Newyork.g.29) Anakütle korelasyon katsayısı yada Pearson korelasyon katsayısı olarak adlandırılan bu korelasyon ölçüsünde σ X ve σ Y sırasıyla X ve Y’ nin standart sapmalarını gösterir 45 .. 71.29) ile tanımlanan anakütle katsayısına karşılık iki değişken arasındaki örneklem otokorelasyon katsayısı.e. a. Dolayısıyla değişkenler arasındaki doğrusal bağımlılığın nispi veya oransal bir ölçüsünü elde edebilmek için korelasyona başvurulur. rXY = veya rXY = Cov ( X . Y ) Var ( X )Var (Y ) = Cov( X .e. Y ) Var ( X )Var (Y ) Cov ( X . 25-26. s.da bağıntının doğrusal olmadığı anlamına gelir 43 . The McGraw. 45 Tsay. Basic Econometrics. Y ) ρ ( X . Y ) S X SY Cov( X .e. s. s.Hill Companies.Y ) = = σ XσY (1.g.31) biçiminde yazılabilir. 215.32) 43 44 Sevüktekin ve Nargeleçekenler. a. Bu durumda da tam bağımsızlık söz konusudur 46 . Örneklem standart sapma değerleri S X ve S Y SX = ∑(X i − X )2 N −1 (1. Doğrusal ilişkinin gücünü ölçer 44 .g. 18 . Y ) σ XσY (1. Cov ( X . a. Korelasyon katsayısı. s.30) (1. Ölçek -1 veya +1’ e ne kadar yaklaşırsa birlikteliğin derecesi o kadar yüksektir. Sıfıra yaklaştıkça birlikteliğin derecesi düşer. Burada σ X ≡ S X ve σ Y ≡ S Y ’ dir. Tam sıfır olma halinde ise değişkenler ya tam olarak bağımsızdırlar ya da doğrusal olmayan bir ilişkiye sahiptirler. Korelasyon katsayısının bu ölçeği -1 ile +1 değerleri arasında değişkenlik gösterir. 23. Gujarati Damodar N. değişkenlerden birindeki bir standart sapma değişimin diğer değişkendeki bir standart sapma ile birlikteliğin bir ölçüsüdür. 2004.

S.35) r0 = 0 ve Ser = tr = r 1− r2 n−2 Pindyck ve Rubinfeld.) H 1 = rxy ≠ 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik vardır. Delurgio.10.1. gerek küçük örneklem hacimlerinde gerekse daha düşük korelasyon katsayısı değerlerinde bir değerlendirme yapma gereğini ortaya çıkarır. n−2 (1. Newyork. Forecasting Principles and Applications.33) şeklinde hesaplanmaktadır. birlikteliğin istatistiksel anlamlılığı. Herhangi iki değişken arasında hesaplanan korelasyon katsayısının istatistiksel olarak anlamlı olup olmadığını test edebilmek için aşağıdaki adımlar izlenir: • Hipotezler tanımlanır: H 0 = rxy = 0 (İki değişken arasında istatistiksel olarak anlamlı bir birliktelik yoktur.34) i − X ) 2 ∑ (Yi − Y ) 2 i =1 rXY .g. A. Irwing McGraw-Hill Comp. s.1.33) örneklem korelasyon katsayısı olan denklem (1.31)’ de yerine yazılarak yeniden düzenlendiğinde 47 . 48 47 19 . s. Korelasyonun İstatistiksel Anlamlılığı X ve Y gibi iki değişken arasındaki korelasyon katsayısı yüksek çıksa bile. 59-60. Denklem (1. 26. X ve Y arasındaki basit korelasyon katsayısı olarak adlandırılır 48 . 1.e.32) ve (1.) • Test istatistiği hesaplanır: tr = r − r0 Ser 1− r2 olmak üzere. 1998. a. N rXY = ∑(X i =1 i − X )(Yi − Y ) N ∑(X i =1 N (1.ve SY = ∑ (Y i − Y )2 N −1 (1.

Otokorelasyon katsayıları otokovaryans katsayılarına dayanılarak hesaplanır. genellikle zaman serilerinde rastlanılan bir durumdur 50 . Yt + k ) = E [(Yt − μ Y )(Yt + k − μ Y )] (1.2. Michael Creel. Yt − k ) Cov (Yt . • • Seçilen anlamlılık düzeyinde kritik tablo değeri bulunur(tt). Yt + k ) = Cov(Yt . 1. Otokovaryans ve Otokorelasyon Herhangi bir değişkenin zaman boyunca ölçülmesi durumunda serideki gözlemlerin bir veya bir kaçı ya da daha fazlası birbirinden etkilenecektir.36) Sevüktekin ve Nargeleçekenler.T k = 0. 26. Otokovaryans ve otokorelasyon analizleri geleneksel istatistikteki kovaryans ve korelasyon mantığına göre geliştirilir. 2005.… Cov(Yt . s. Burada temel farklılık yalnızca tek bir değişken ele alınmakta ve bu değişkenin kendi değerleri arasında gecikmeli korelasyonlar hesaplanmaktadır. otokorelasyon olarak genelleştirilir 51 . Econometrics. Yatay kesit verilerinde de karşılaşılabileceği gibi. Yt + k ) = ∑ (Yt − Y )(Yt + k − Y ) / T t =1 T −k t =1. Durağan stokastik süreç için k gecikmeli otokovaryans. a. 130. a. Özellikle ekonomik zaman serisi verilerinde bir ve iki gözlemli ve çok nadir olarak üç değerli gecikmeler arasında korelasyonun varlığı gözlenir. Dept.g. ±1.10.e. Universitat Autonoma de Barcelona.olur. Hesaplanan test istatistiği ile bulunan tablo değeri karşılaştırılır.e. ±2.…. Başka bir ifadeyle serinin çeşitli sayıdaki gecikmeli değerleri arasında genelde korelasyonun varlığı gözlenir. Of Economics and Economic History.g. Cov(Yt . Mutlak değerce t r ≤ t t ise iki değişken arasındaki korelasyon katsayısının istatistiksel olarak anlamlı olmadığını söyleyen H 0 hipotezi reddedilemez 49 . 51 Tsay. s.2. 50 49 20 . 219. Yt zaman serisi değişkeni ile onun geçmiş değerleri Yt-i arasındaki korelasyon. s.

σY = σY t t +k (1. γk γ0 (1.37) t +k Elde edilen bu son ifadenin paydasındaki durağan bir süreç için varyans anlamına gelir. modelleme sürecinde oldukça yararlı bilgiler sunmaktadır 52 . Time Series for Macroeconomics and Finance. Yt + k ) = γ k Var (Yt ) = γ 0 (1. Cochrane. s.g. 21 . E [(Yt − μ Y )(Yt + k − μ Y )] Yt serisindeki … Yt-k .…Yt+k… yakın komşu veri noktaları arasındaki ρk = E (Yt − μ Y ) 2 E (Yt + k − μ Y ) 2 [ ][ ] Cov(Yt . k gecikmeli bir anakütle otokorelasyon fonksiyonunu. Yt + k ) σY 2 bu ifade. 1997. Cov(Yt . 21. 221.40) 52 53 Sevüktekin ve Nargeleçekenler.38) O halde.Stokastik sürecin bütün bir tasvirini elde edebilmek için olasılık dağılımına dayanan gerçek durumu tanımlayabilmek için otokorelasyon fonksiyonu.39) ρk = olarak bulunur 53 . USA. otokovaryans tanımından hareketle şöyle yazmak mümkündür.…Yt-1 . s. otokorelasyonun. otokovaryans/varyans olduğunu gösterir. a. Yt +k ) = σY σY t (1. Otokorelasyon fonksiyonu korelasyonu (birlikteliği) ölçmektedir. John H. Yt Yt+1 . Cov (Yt . Yani t dönemindeki standart sapma ile t+k dönemindeki standart sapma eşittir.e.

William R. 55 Pindyck ve Rubinfeld. σ 2 . 12-26. otokorelasyon değerleri kullanılarak gerçek veri üreten sürecin parametreleri tahmin edilir. 89. Denklem (1. Williams. Washington DC. Ancak sınırlı sayıdaki gözlem için bir stokastik süreci tasvir eder. 56 Garnett P. Örneklem Otokorelasyon Fonksiyonu (Autocorrelation Function-ACF) Anlamlı bir otokorelasyon durumunda seride durağan dışılık söz konusudur. “Unit Roots in Time Series Models: Tests and Implications” The American Statistician. varyans. 54 22 . y= ∑y t =1 T t T (1.3.10.41) σˆ 2 = ∑ T t =1 ( yt − y)2 T (1. 495. Miller. 1.1. Robert B.g. a.43) Otokorelasyon fonksiyonunun simetrik olması nedeniyle ( ρ k = ρ − k ) korelasyon pozitif ve negatif yer değiştirmeler için aynıdır.43)’ den otokorelasyon = otoko var yans olduğu görülür 56 .e. s.42) T −k ˆ ρk = ∑(y t =1 t − y )( yt + k − y ) t ∑(y t =1 T − y) 2 (1. Chaos Theory Tamed. s. σ 2 ve ρ k değerleri hesaplanır. (1986). Dickey. μ . s. Ele alınan durağan bir seride örnek ortalama. Sayı: 40. ρ k yerine ˆ ˆ örnek y . Bell. Yavaş bir şekilde azalan otokorelasyonların varlığı durağan dışılığın göstergesidir 54 . Uygulamada ise otokorelasyon fonksiyonunun bir tahmini hesaplanır ve bu örneklem otokorelasyon fonksiyonu olarak adlandırılır 55 . Joseph Henry Press. 1997. var yans David A. Yukarıda tanımlanan otokorelasyon katsayısı denkleminde otokorelasyon fonksiyonu oldukça pür teorik bir yapıya sahiptir.

Kısmi otokorelasyonlar. (1. • ACF (k ) Se ACF ( k ) (1.44) t ACF ( k ) = hesaplanır.e. Yt − k +1 koşulunda Yt ile Yt-k arasındaki fonksiyonunun değerlerinden yararlanılarak elde edilir 58 . k . Yt −2 .1. • Otokorelasyon katsayıları için test istatistiği. 1. diğer zaman gecikmelerinin etkisini arındırarak Yt ile Yt-k arasındaki birlikteliğin derecesini ölçer. otokorelasyon (1. 233.g. Yt −k / Yt −1 . a.Yt −k +1 ) korelasyon katsayısıdır.10. Yt − 2 . Φ kk = ρ (Yt .45) Hesaplanan t istatistiği t-tablo değerinden büyükse anakütle otokorelasyon katsayısının sıfır olduğu hipotezi reddedilir 57 ..e. Yt −1 ..3.10.4. ACF(k)’ nın yaklaşık olarak standart hatası ve T gözlem sayısını ifade eder. Örneklem otokorelasyon katsayılarının bu çerçevede belirli sayıda ortalaması sıfır olan bir anakütleden gelip gelmediğine bakılabilir. 23 . s. 27. • Hipotezler tanımlanır: H 0 = ρk = 0 H1 = ρ k ≠ 0 • Otokorelasyon katsayısı için : SeACF(k) ≈ 1/ T standart hataları hesaplanır. a. Kısmi Otokorelasyon Fonksiyonu (Partial Autocorrelation Function-PACF) Otokorelasyon fonksiyonu zaman serisindeki iki nokta arasındaki ilişkiyi araştırmaya yarar.. 57 58 Tsay. Sevüktekin ve Nargeleçekenler. Burada SeACF(k).1. Kısmi otokorelasyonlar. Örneklem Otokorelasyon Katsayısının İstatistiksel Anlamlılığı Örneklem otokorelasyon katsayısının yaklaşık sıfır ortalamalı ve 1 / T standart sapmalı bir normal eğri ile örnekleme dağılımına sahip olduğu söylenebilir.46) Bu ifadeden görüldüğü gibi Φ kk . s..g.

ρ j i =1 k −1 (1.Φ kk = ρ k − ∑ Φ k −1 . Newyork. Econometric Methods.11. Zaman serisi yaklaşımında bir ekonomik değişkenin ilgili cari değerleri o değişkenin geçmiş değerleri ile ilişkilendirilir.…. 204. s.49) Modelleme bu değişkenlerle ele alınacaktır. Bu tip gecikmiş bağımlılığı gösteren istatistiksel model örneği aşağıdaki eşitlikte olduğu gibi birinci derece otoregresif bir süreç ile verilmektedir. Otoregresif Süreç (Autoregressive Process-AR) Zaman serisi modellemesinde Yt gibi bir ekonomik değişkenin geçmiş değerlerinden elde edilen bilgi.48) 1. f(…) gecikmelerin sayısı ve hata terimleri için bir yapıdır.2. s.e. 60 Tsay. k − j j=1. Yt = δ + φ1Yt −1 + et t = 1. Yt = f(Yt-1. Yt-2. Çalışmada ele alınacak zaman serisi modelleri tek değişkenli bir zaman serisinin kendi geçmiş değerleri ve hata paylarına göre kurulan modeller olacaktır. 1. Bu denklem birinci derece otoregresif 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 . ρ k −1 j =1 k −1 1 − ∑ Φ k −1 . et-1. ekonomik değişkenlerin gelecekteki değerlerini öngörmektir.2. Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analiz amaçlarından biri de. McGraw-Hill International Edit. et.…. Zaman serisi modelleri bu geçmiş değerleri kullanarak aynı değişkenin gelecekte alabileceği değerleri öngörmeye çalışır.11. Örneğin bir gecikmeli ve temiz dizi kalıntılı doğrusal bir fonksiyon tanımlandığında bu birinci derece otoregresif AR(1) süreç anlamına gelir 59 . Dinardo.g.k-1 için (1. 59 24 .1. j − Φ kk Φ k −1.50) Bu birinci derece otoregresif süreçte δ bir kesme parametresi. 32.47) Φ kj = Φ k −1. Johnston ve J.T (1.3. et-2.…) (1.…. a. bu Yt değişkeninin gelecek değerlerini öngörmede yararlı olur. 1997.

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

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

Yt −3 ) = E (Yt − 2Yt −3 ) = φ1σ Y (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. İki tarafın varyansı alındığında .… (1. Cov (Yt .g.57) Bu kovaryans bütün rassal değişkenler için aynıdır.olacaktır. Buradan Yt’ nin varyansı. 2 σ Y = σ e2 /(1 − φ12 ) = γ 0 (1. Yt − k ) = φ1k σ Y k=0. 34.2. Yt − 2 ) = E (Yt −1Yt − 2 ) = φ1σ Y 2 Cov (Yt − 2 .58) sonucunu verir. 2 Cov (Yt −1 .e. Yt’ nin ortalama ve varyansının bütün dönemler için aynı olmasına ek olarak zaman serisi değişkenlerinin zaman boyunca kovaryanslarının sabit olduğu varsayılır. s.56) = σ e2 /(1 − φ12 ) = γ 0 olur 68 .1. Birer dönem gecikmeli kovaryans ise. 2 γ k = Cov (Yt . a. 27 . Dolayısıyla k gecikmeli kovaryanslar. Benzer şekilde Yt ile Yt-k arasındaki kovaryans γ k ile gösterilir ve t’ ye bağlı değildir.59) olarak hesaplanmaktadır. 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) (1.60) 68 Tsay.

Otokorelasyon ve otokovaryans katsayıları sıfır gecikme civarında simetrik oldukları için ρ − k = ρ k ’ dır.e. s. s. ±2. Bu yüzden bu problemin üstesinden gelebilmek için Yt ile Yt-k arasındaki korelasyon hesaplanabilir.g. Cor (Yt . 530. 26.g. Yt ile Yt-k arasındaki korelasyon. ρ k = φ1 ρ k −1 = φ1k korelogram olarak adlandırılır 73 . AR(2) Sürecinin Özellikleri k = 1. 529. 28 .1.e. Patterson.11. Yt − k ) = Cov(Yt .61) ile verilir 69 .g. 72 Pindyck ve Rubinfeld. s.64) ile verilir 74 .2. a.e. 2 γ k = φ1γ k −1 = σ Y φ1k = φ1k γ 0 k=0. s.62) ile hesaplanmaktadır 71 .g.e. 73 Johnston ve Dinardo. a. Kovaryanslar değişkenlerin ölçü birimlerine bağlı oldukları için sorgulamak zordur 70 .… (1. a.1. AR(1) süreci için otokorelasyon katsayısı.e. a. s. σ 2 ) (1.62)’ den görülmektedir. s. 65.g. Ayrıca k = 0 için ρ = 1 olacağı denklem (1. 69 70 Pindyck ve Rubinfeld.… (1.63) ifadesi serinin otokorelasyon fonksiyonu olarak bilinir 72 . 74 Pindyck ve Rubinfeld. Bununla beraber diğer serilerde daha genel otoregresif süreçler gerekebilir.… (1. 1. a. ±1. Dolayısıyla sadece pozitif gecikmeleri dikkate almak yeterlidir. İkinci derece bir otoregresif süreç AR(2). 71 Tsay.k gecikmeli otokovaryans katsayısı. Yt − k ) Var (Yt )Var (Yt − k ) = ρk = γk γ0 k= 0. Bunun grafiksel çizimi Birinci dereceden otoregresif zaman serisi modelleri birçok ekonomik zaman serisini tanımlamada yeterli olabilir. 209. a.g.2. 528. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + et et ~ IID(0.2.e.

E (Yt ) = E (δ + φ1Yt −1 + φ 2Yt − 2 + et ) E (Yt ) = δ + φ1 μ + φ 2 μ (1.e. δ = μ = 0 olduğunu varsayarak.φ1 < 1 φ2 <1 koşulları sağlanmalıdır 76 .g. φ1 + φ2 < 1 φ2 . 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. s. E (Yt − k Yt ) = E [Yt − k (φ1Yt −1 + φ 2Yt − 2 + et )] (1.65) veya E (Yt ) = μ = δ /(1 − φ1 − φ 2 ) (1. 530.66) yazılır 75 . Johnston ve Dinardo. a.70) 75 76 Pindyck ve Rubinfeld. 29 .AR(2) sürecinde zaman serisi Yt’ nin ortalaması. Yt’ nin varyansı ve kovaryansı.69) γ k = φ1γ k −1 + φ 2 γ k −2 (1.67) γ 1 = φ1γ 0 + φ 2 γ 1 E (Yt − 2Yt ) = E [Yt − 2 (φ1Yt −1 + φ 2Yt − 2 + et )] (1.g.e. 210. AR(2) sürecinin durağan olması için. s.68) γ 2 = φ1γ 1 + φ 2 γ 0 ve k≥2 için genel olarak yazılacak olursa. a.

s.71) Bu sonuçlar ayrıca otokorelasyon fonksiyonu ρ k ’ nın çıkarılmasında da kullanılır.1. = E (Yt − p ) = μ olur. γ0 = bulunur 77 . AR(p) Sürecinin Özellikleri Yt değişkeninin gözlenen örneklem değerleri bir AR süreci tarafından üretildiği varsayılsın. s. (1 − φ 2 )σ e2 (1 + φ 2 ) (1 + φ 2 ) 2 − φ12 [ ] (1.73) Denklem (1.… (1.e..g. Eğer kalıntı et korelasyonsuz rassal değişken ise bu durumda denklem (1. + φ p Yt − p + et (1.e. Yt = δ + φ1Yt −1 + φ 2Yt − 2 + . k = 3. Dolayısıyla en küçük kareler (EKK) tahmincisi tutarlı bir tahmin üretir.73)’ ün sağ tarafındaki değişkenler rassal bağımlı değişkenin gecikmeli değerlerinden oluştuğu için rassaldır. 136.e. Bu nedenle Yt’ nin gecikmeli değerleri yalnızca et’ nin gecikmeli değerlerine bağlı ve cari hata terimi et ile korelasyonsuzdur.Denklem (1.g. Genel olarak AR(p) süreci.69) eşanlı olarak çözüldüğünde..67). 531. Gerçek hayatta sürecin derecesi hakkında çoğu zaman belirsizlik söz konusudur. modellerin sağ tarafında yer alan değişkenler açısından fark vardır. 77 78 Pindyck ve Rubinfeld. 30 .11. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez 79 . (1. 4. ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 olur 78 .. 79 Sevüktekin ve Nargeleçekenler. Denklem (1.73) ile geleneksel model [Yt = E (Yt ) + et ] arasında. E (Yt ) = E (Yt −1 ) = E (Yt − 2 ) = .72) 1.3. a. AR(2) süreci için otokorelasyon fonksiyonu (ACF). a. s.68). (1. Pindyck ve Rubinfeld. 531.73)’ün sağ tarafındaki Yt’ nin gecikmeli değerleri ile de korelasyonsuz olacaktır.g. a..

s. p gecikmeden sonra anlamsız ise sürecin derecesinin p olduğu söylenir 82 . a.75) Burada korelasyonsuz rassal hata terimi et ortalaması sıfır ve sabit bir varyansa 80 81 Tsay. a. Kısmi otokorelasyon katsayıları bir gecikme için sıfırdan farklı.g.. 31 .. Yt = μ + et + θ1et −1 + θ 2 et − 2 + .g. Johnston ve Dinardo. a. 82 Tsay. 83 Pindyck ve Rubinfeld.O halde ortalama. Otoregresif Sürecin Derecesinin Belirlenmesi (1. 1.2.11.11.g.. diğerleri için sıfırdan farklı değilse süreç AR(1) sürecidir. Kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı.. + φ p μ μ = δ /(1 − φ1 − φ 2 − .e. 211-212. 39. 522. a. s. 1. Yt üzerinde etkili olan gecikmelerde kısmi otokorelasyon katsayısının sıfırdan farklı yani istatistiki olarak anlamlı olması gerekir.e. Hareketli Ortalama Süreci (Moving Average Process-MA) Hareketli ortalama süreci bir zaman serisinin t dönemindeki değerini. hata payının cari ve geçmiş dönem değerlerinin ağırlıklı ortalaması ile ifade eden bir süreçtir 83 . + θ q et − q (1.g. diğerleri için sıfırdan farklı değilse süreç AR(2) sürecidir.. s.4. diğer gecikmelerin etkisi sabit kalmak koşuluyla Yt ile herhangi bir k gecikmesinde oluşturulan Yt-k gözlemleri arasındaki korelasyon anlamına gelir. Kısmi otokorelasyon katsayısı. μ = δ + φ1 μ + φ 2 μ + . − φ p ) olur 80 ..e. Aynı şekilde kısmi otokorelasyon katsayıları iki gecikme için sıfırdan farklı. Genel olarak MA(q) süreci. 41. s.74) Otoregresif sürecin derecesinin belirlenmesinde kısmi otokorelasyon fonksiyonu kullanılır 81 .e.1.

Yt = μ + et + θ1et −1 (1. s.79) γ2 = 0 k sayıda gecikme dikkate alındığında.78) γ 1 = θ 1σ e2 Yt ile Yt-2 arasındaki kovaryans ise.75)’ e dikkat edilirse AR(p) modelinden farklı olarak kesme parametresi δ yerine μ kullanılmıştır. Yt − k ) = E [(et + θ1et −1 )(et − k + θ1et − k )] (1.77) sürecin varyansı 85 .2.2.g. Denklem (1. S. Yt − 2 ) = E [(Yt − μ )(Yt − 2 − μ )] Cov(Yt . Yt − 2 ) = E [(et + θ1et −1 )(et − 2 + θ1et −3 )] (1.q) bilinmeyen parametrelerdir. 84 32 .sahiptir 84 . Yt −1 ) = E [(Yt − μ )(Yt −1 − μ )] Cov(Yt . Pollock. 1. USA. G. Cov(Yt . Academic Press. Yt − k ) = E [(Yt − μ )(Yt − k − μ )] Cov(Yt . 85 Tsay. a.e.…. 51. MA(1) Sürecinin Özellikleri En basit hareketli ortalama süreci olan MA(1) aşağıdaki gibi gösterilir. Cov(Yt . s. A Handbook of Time Series Analysis Signal Processing and Dynamics. 1999. Cov(Yt .76) sürecin ortalaması.80) D. 517. Yt −1 ) = E [(et + θ1et −1 )(et −1 + θ1et − 2 )] (1. E (Yt ) = μ (1. θ i (i=1.11. Var (Yt ) = E (Yt − μ ) 2 γ 0 = σ e2 (1 + θ 12 ) Yt ile Yt-1 arasındaki kovaryans.1.

Diğer verilerle herhangi bir korelasyon yoktur 86 . 33 .2.84) = γ0 Yt ile Yt-1 arasındaki kovaryans ise. E (Yt ) = μ sürecin varyansı. 524. Yt = μ + et + θ1et −1 + θ 2 et − 2 sürecin ortalaması.e. MA(1) sürecinin otokorelasyon fonksiyonu ise gecikme k=1’ den sonra kesilmektedir 87 . MA(1) sürecinin otokorelasyon fonksiyonu 88 . a. Var (Yt ) = σ e2 (1 + θ 12 + θ 22 ) (1. s. ⎧ θ1 γ k ⎪1 + θ 2 1 ρk = =⎨ γ0 ⎪ 0 ⎩ k =1 (1. s.g. Hill ve Judge.83) ile ifade edilir 89 .83) (1.85) Pindyck ve Rubinfeld.γk = 0 (1. 524.g. 88 Pindyck ve Rubinfeld.e. s. a.g. MA(2) Sürecinin Özellikleri İkinci derece hareketli ortalama süreci MA(2) denklem (1. Griffiths.11.2. Yani k>1 olduğu bütün durumlarda kovaryanslar sıfıra eşittir. 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.82) k 〉1 1. Yt −1 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −1 + θ1et − 2 + θ 2 et −3 )] 86 87 (1. a. 655. Cov(Yt .e.81) Dolayısıyla k>1 bütün gecikmelerde MA(1) sürecinin kovaryansı γ k ile aynı biçimde gösterilebilir. 524.g. s.e. 89 Pindyck ve Rubinfeld.

MA(q) Sürecinin Özellikleri MA(1) ve MA(2) süreçlerinde sürecin ortalaması. Cov(Yt . a. Cov(Yt .86) γ 2 = θ 2σ e2 Yt ile Yt-3 arasındaki kovaryans ise.91) (1.11.e. MA(2) sürecinin otokorelasyon fonksiyonu ise. Yt −3 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et −3 + θ1et − 4 + θ 2 et −5 )] (1.88) (1.e. Yt − k ) = γ k = 0 olur 90 . a. Yt − 2 ) = E [(et + θ1et −1 + θ 2 et − 2 )(et − 2 + θ1et −3 + θ 2 et − 4 )] (1. 144-145. Pindyck ve Rubinfeld.2.87) γ3 = 0 O halde k dönem gecikmeli kovaryans. 34 . 1. s. (1. varyansı ve kovaryansları sonlu olduğu ve zamanla değişmediği için durağan oldukları söylenir.3. 90 91 Sevüktekin ve Nargeleçekenler.89) ρ1 = ρ2 = θ1 (1 + θ 2 ) 1 + θ12 + θ 22 θ2 1 + θ12 + θ 22 k>2 için (1.92) ρk = 0 bulunur 91 .g.g.γ 1 = θ 1σ e2 + θ 1θ 2σ e2 = σ e2 (θ 1 + θ 1θ 2 ) Yt ile Yt-2 arasındaki kovaryans ise. Durağan sonlu dereceden bir MA süreci için bu durum her zaman geçerlidir.90) (1. Cov(Yt . s. 524.

+ θ q et − k − q ) ] =E[ θ k et2− k + θ k +1θ1et2− k −1 + θ k + 2θ 2 et2− k − 2 + .. a. MA(q) sürecinin ortalaması.g. s.g.. + θ q2 ) olur 93 .q için. 657. (1.93) olarak yazılır 92 . Yt = μ + et + θ 1et −1 + θ 2 et − 2 + . a. 95 Sevüktekin ve Nargeleçekenler. 94 Griffiths. + θ q et − q )(et − k + θ1et − k −1 + θ 2 et − k − 2 + . k>q için. dereceden hareketli ortalama süreci.e. E (Yt ) = μ sürecin varyansı.q......e. θq) parametreleri herhangi bir reel sayıdır. = σ e2 + θ12σ e2 + . γ k ’nın tanımından ortak tarihli et’ lerin de beklenen değeri sıfır olduğu için eşitlikten çıkarılır 95 . a.. 92 93 Pindyck ve Rubinfeld.. Burada et ortalaması sıfır. s. θ2. Var (Yt ) = γ 0 = E (Yt − μ ) 2 (1. Hill ve Judge. + θ q et − q (1..g. Pindyck ve Rubinfeld..96) Farklı tarihlerdeki et’lerin çarpımlarının beklenen değeri sıfır olduğu için eşitlikten çıkarılır ve θ 0 birim değer olarak tanımlanır. γ i = E[ (et + θ1et −1 + θ 2 et − 2 + . + θ qθ q − k et2− k − q ] (1. + θ q2σ e2 [ ] γ 0 = σ e2 (1 + θ12 + . s.e. 523.…. 147.e.. + θ q2 et2− q + 2θ1θ 2 et −1et −2 + .….g.. s.95) Hata terimi et bağımsız ve korelasyonsuz olarak varsayıldığı için bütün çapraz çarpım terimlerinin beklenen değeri sıfırdır 94 . sabit varyanslı ve korelasyonsuz hata terimi ve (θ1.. k=1.2. a..94) = E et2 + θ12 et2−1 + . 522. 35 ..

⎧(θ k + θ k +1θ1 + θ k + 2θ 2 + . 96 Bir süreç zayıf veya kovaryans durağan ise. θ 2 ..Bu durumda. 97 Sevüktekin ve Nargeleçekenler.2.98) (θ 1 . 527.. q k〉q (1.. θ q ) ’ nun herhangi bir değeri için MA(q) süreci kovaryans durağan 96 olarak ifade edilir.87)’ de ifade edildiği gibi. s. 1... 36 ... + θ qθ q − k ⎪ ⎪ 1 + θ12 + θ 22 + .e. (1....85). 98 Pindyck ve Rubinfeld.e.g. MA(q) süreci için otokorelasyon fonksiyonu. 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. Sıfırdan farklı ve çok uzun olmayan gecikmelerde hesaplanan otokorelasyonlar MA sürecinin derecesini belirlemede yardımcı olur 98 ... gözlemlerin zaman ayırımı uzunluğu olan k’ ya bağlıdır... + θ qθ q −i )σ e2 ⎪ γi = ⎨ 0 ⎪ ⎩ k = 1.3. + θ q2 ρk = ⎨ ⎪ 0 ⎪ ⎩ k = 1. γ 0 = σ e2 (1 + θ12 + θ 22 ) γ 1 = σ e2 (θ 1 + θ 1θ 2 ) γ 2 = θ 2σ e2 γ 3 = γ 4 = . Yt ile Yt+k arasındaki kovaryans gözlemlerin tarihi olan t’ ye değil. 148.11..86) ve (1.2. = 0 (1. q (1..99) k〉q olur 97 .g.. s...97) MA(2) sürecindeki denklem (1. a.. Burada otokorelasyon fonksiyonu q gecikmeden sonra sıfırdır. a. ⎧θ k + θ k +1θ1 + θ k + 2θ 2 + .

.11. hem de MA bileşenleri p.. + θ q 0 μ= δ (1 − φ1 − .g. γ 0 = Var (Yt ) = E (Yt − μ ) 2 99 100 Pindyck ve Rubinfeld. Denklem (1. + φ p μ + 0 + θ 1 0 + . s. − φ p ) (1. 37 . E(et) = 0 ve Var (et ) = σ e2 ile korelasyonsuz rassal değişkenlerdir (Süreç durağan ise ortalama μ ’ ye eşittir)..1)’ dir.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. a.1.. + θ q et − q (1.100) Burada kesme terimi δ . Bir zaman serisi verileri için hem otokorelasyon hem de kısmi otokorelasyon fonksiyonları belirli bir gecikmede kesilmeyerek sıfıra doğru çok yavaş hareket edebilir. dereceden olmak üzere ARMA(p. + φ p 〈1 koşulunun sağlanması gerekir 100 . 535.. a. Yt = δ + φ1Yt −1 + et + θ1et −1 (1.. Pindyck ve Rubinfeld. Yt = δ + φ1Yt −1 + . s.e. Başka bir ifadeyle zaman serisi modeli hem AR. ARMA(1.. Yani.e. φ1 + φ 2 + .. 535.3. ve q. Bu durumda zaman serisi hem otoregresiflik hem de hareketli ortalama bileşenlerini aynı anda içerebilir. hata terimi et. E (Yt ) = μ = δ + φ1 μ + .. Yt’ nin ortalaması.102) En basit karma otoregresif hareketli ortalama süreci ARMA(1... 1.101) Bu sonuç ayrıca durağanlık için gerekli koşulu da belirtir. + φ p Yt − p + et + θ 1et −1 + .q) olarak tanımlanır ve şu şekilde gösterilir 99 .100)’ ün beklenen değeri alındığında.1) Sürecinin Özellikleri (1..103) Eğer δ = 0 ise özdeş olarak seri Yt ortalamadan sapma formunda ise sürecin varyansı.g.

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

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

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

Tablo 1. Zaman Serileri Analizi. 41 .4’ te gösterilmektedir. 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.4. Durağan modeller için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının teorik davranışı Tablo 1. Kaynak: Sevüktekin ve Nargeleçekenler. 168. s.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.

g.e. 3 Gujarati.e. s. 42 . 171. s. “Türkiye’de Enflasyon ve Ekonomik Büyüme İlişkisi (1924-2002)”. Bu durumda standart t istatistikleri ve R2 değerleri olduğundan daha yüksek çıkar 1 . Gazi Üniversitesi. oluşturulacak regresyonun sonuçları gerçekçi olmamaktadır ve durağan olmayan (nonstationary) serilerin kullanılması regresyona tabi tutulan değişkenler arasında sahte (spurious) ilişkiye neden olur. s. 797.1) Gecikme mesafesine bağlı kovaryans: γ k = E [(Yt − μ )(Yt − k − μ )] (bütün t değerleri için) k:gecikme mesafesi Bir durağan zaman serisinde ard arda gelen iki değer arasındaki fark zamanın kendisinden kaynaklanmamakta. zaman serileri ile çalışırken. Ayrıca durağan olmayan serilerde oluşan geçici bir şok kalıcı belleğe neden olur. Bu sebeplerden ötürü zaman serileri ile çalışıldığında ilk aşamada serilerin durağanlık analizlerinin yapılması gerekmektedir. Değişkenler arasında anlamlı bir ilişki yoksa bile anlamlı bir ilişki varmış gibi görünür. a. H.. İktisadi ve İdari Bilimler Fakültesi Dergisi. varyansı ve kovaryansı zaman içinde sabit kalıyorsa o serinin durağan olduğu söylenir. sadece zaman aralığından kaynaklanmaktadır. Terzi. Sayı: 3.g. 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. Bu nedenle. 59-75. durağan olmayan serilerle çalışıldığında. Bir zaman serisinin ortalaması. Bu da serilerin belli bir değere yaklaşmasını yani durağanlığını engeller. Zaman serileri analizinde. a. (2004). öncelikle serilerin durağanlığının test edilmesi gerekmektedir 2 . Bundan 1 2 Enders.İKİNCİ BÖLÜM ZAMAN SERİLERİNDE DURAĞANLIK ANALİZİ Zaman serisi verileri kullanılan çalışmalarda serilerin durağan (stationary) olmaları önemlidir.

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

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

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

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

et ~ IID(0. Birinci yaklaşım. Örneğin basit bir pür rassal yürüyüş serisi Yt = Yt −1 + et (2. Yt = μ + βt + et bileşendir 17 . 4. Cambridge University Press.g. Cambridge. Kim. s. zaman serisini durağan dışı gösterir. Trend Durağanlık ve Fark Durağanlık Durağan olmayan zaman serilerinde durağan dışılığın nedenleri serilerdeki deterministik trend veya stokastik trenddir. Unit Root Cointegration and Structural Change.g. Eğer durağan olmayan zaman serisinde. Burada Yt-1 stokastik trend. s. et ~ IID(0. σ 2 ) durağan stokastik olarak tanımlansın. seri trend (zaman) üzerine regrese edilir. t deterministik trend. 17 Gujarati. a. Daha sonra bu regresyondan elde edilen kalıntılar üzerinde analizler yapılır. 47 . 821. deterministik trend yoksa stokastik trend olması muhtemeldir. Bir zaman serisinin sahip olduğu deterministik trend yapısı zaman yolu grafiği kullanılarak ortaya konulabilir. İkinci yaklaşımda ise.e. 1998 s. a. durağan olmayan zaman serisi için kurulacak regresyon denkleminde.5) 16 Maddala G. Yt − Yt −1 = et (1 − L)Yt = et ∆Yt = et (2. Durağan olmayan zaman serisindeki stokastik trend yapısı dışlanarak seri durağanlaştırılır. σ 2 )’ dir.3) Burada Yt zaman serisi. zaman serisi modeline trend bir regresör olarak ilave edilerek gerekli analizler yapılır. Bu durağanlaştırma işlemi fark alma olarak tanımlanmaktadır. S ve I. M.2.3. Modelin her iki tarafında birinci fark alındığında varsayım gereği durağan olmayan Yt serisi durağan hale gelecektir 18 . 167. Gerçekte durağan bir zaman serisinde.e. 18 Enders. Trend durağan olmayan süreçler için durağanlaştırma iki temel yaklaşımla gerçekleştirilmektedir16 .4) (2. serinin sahip olduğu deterministik trend etkisiyle ortalamasının değişmesi.

D.e.5 Trend Durağan ve Fark Durağan Seriler Kaynak: J.Bu fark alma işlemi ile zaman serisi stokastik bileşenden arındırılarak hata teriminin özelliklerini alması sağlanır 19 . a. Printice Hall. 28.4. Bir zaman serisinin uzun dönemde sahip olduğu özellik. serinin birim kök içerdiği (durağan olmadığı) boş hipotezine karşı. s. s. birim kök içermediği (durağan olduğu) alternatif hipotezine karşı sınamadır 21 . Durağanlık Analizi: Birim Kök Testi Bir değişkenin durağan olup olmadığını veya durağanlık derecesini belirlemede kullanılan en geçerli yöntem birim kök testidir 20 .4. Uygulamada en fazla kullanılan birim kök testleri Dickey Fuller (DF). s. Johnston ve J.g. 1995. Londra. 802. Genişletilmiş Dickey Fuller (ADF) ve Phillips-Perron (PP) birim kök testleridir. Dinardo. 48 . 21 R. 2. Bu testlerin yanı sıra KPSS (Kwiatkowski-Phillips-SchmidtShin). s. Using Cointegration Analysis in Econometric Modelling. I.1. 221.e. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri de kullanılmaktadır. 221. Şekil 2. a. 2. Dickey-Fuller (DF) Testi Dickey Fuller (DF) yaklaşımı. değişkenin bir 19 20 Johnston ve Dinardo.g. Gujarati. Harris. Econometric Methods.

τ (tau) istatistiği (DF-test istatistiği) 22 23 (2. Yt serisinin birinci farkları durağan olacaktır 23 . bu dönemi nasıl etkilediğinin belirlenmesiyle ortaya çıkarılabilir.8) ΔYt = Yt − Yt −1 ’ dir.e. Bu şokların kalıcı nitelikte olması serinin durağan olmaması ve zaman içinde gösterdiği trendin stokastik olması anlamına gelir. Bu durumda artık sıfır hipotezi ϕ = 0 olarak tanımlanır. Bu model birinci dereceden otoregresif AR(1) modelidir. Bu testte bilinen t istatistiği.önceki dönemde aldığı değerinin. Gujarati. Bu amaçla geliştirilen birim kök testi ile serilerin durağan olup olmadıkları belirlenebilmektedir. a. bu etki giderek azalacak ve kısa bir dönem sonra tamamen ortadan kalkacaktır 22 .g. 814.6) nolu denklem başka bir biçimde şu şekilde de yazılabilir: ΔYt = ( ρ − 1)Yt −1 + u t = ϕ Yt-1+ ut (2. Eğer ρ katsayısı bire eşit bulunursa birim kök sorunu (durağan olmama durumu) ortaya çıkmaktadır ve model Yt = Yt −1 + u t (2.6)’ ya göre H0: ρ = 1 ve denklem (2. Burada ut kalıntı terimidir.9) Tarı. a. s.g. Denklem (2.e.7) şeklini almaktadır. Yt değişkeninin bu dönemde aldığı değerin geçen dönemdeki değeri olan Yt-1 ile ilişkisi. 393-394. ρ = 1 olduğunda ϕ = 0 olacaktır ve böylece ΔYt = Yt − Yt −1 = u t olacağından. Bu nedenle serinin nasıl bir süreçten geldiğini anlamak için. 49 . s. geçmiş dönemlerdeki şoklar belli bir süre etkilerini sürdürseler de. serinin her dönemde aldığı değerin daha önceki dönemlerdeki değerleriyle regresyonunun bulunması gerekmektedir. Eğer ρ katsayısı birden küçük çıkarsa. Yt = ρYt −1 + u t (2.8)’ e göre H0 : ϕ = 0 olup. (2. Bunun için uygulanan test DickeyFuller (DF) testidir.6) şeklinde ifade edilir. ilgili hipotezler durağan olmama durumunu ifade eder. Bu bir önceki dönemde iktisadi değişkenin değerinin ve dolayısıyla o dönemde maruz kaldığı şokun olduğu gibi sistemde kalması anlamına gelir.

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

Ancak bütünleşik zaman serileri uzun dönemde bile şok öncesi düzeylerine geri dönemezler 31 .1. zaman serilerindeki herhangi bir şokun sürekli olacağının göstergesidir. s.g. Bir bütünleşik zaman serisi stokastik bir trende ya da bir birim köke sahiptir. ΔYt= ϕ Yt-1+ut (2. 210. H0 : ϕ =0 ⇒ Yt= Yt-1+ut ve seri I(1) H1 : ϕ <0 ⇒ ρ <1 DF sınamasında sabit terimsiz modelde.1. 51 .2. modelin her iki yanından Yt-1 çıkarıldığında ve ϕ = ρ -1 tanımı yapıldığında. Böylece durağan olmayan bir seri farkları alınarak durağan hale getirilir 30 .birinci farkı durağan ise bu seriye birinci dereceden bütünleşik seri denir ve I(1) ile gösterilir. 405.e. 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. s. a.e.e. 32 Patterson.4. zaman serilerinin niteliği göz önüne alınmalıdır. 227-228-229.4. Alternatif hipotezin ϕ <0 olması nedeniyle kritik değerler negatiftir 32 . a. ˆ 2. Kesmesi olmayan Yt= ρ Yt-1+ut ρ =1 olan AR(1) modeli için. boş ve alternatif hipotezler bu şekilde olmaktadır.14) olur. a. Durağan seriler bir şoktan sonra ortalamasına geri döner. Durağan olmayan bütünleşik seriler.g. 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.1. 2. s. Dickey-Fuller tarafından 30 31 Tarı.g. Patterson. τ Sınaması Bir test istatistiği ve uygun bir alternatif seçerken. ρ =1 ise yani birim kök varsa ϕ =0 olur.

a.e. Burada ϕ = ρ -1 olarak tanımlanır. Bu regresyon kısıtlayıcıdır. Zaman Serileri Analizi.g. Dolayısıyla Yt eşit olasılıkla pozitif veya negatif bir yürüyüş sergileyebilir. β 0 = 0 ve ϕ = 0 olması halinde ΔYt= ut yani Yt -Yt-1= ut . H 0 : β 0 = 0 ve ϕ = 0 olmaktadır. H 0 : β 0 = 0 ve ϕ = 0 33 34 Hilal Bozkurt. a. s. s. Burada geçerli regresyon alternatif hipotez altında Yt’ nin sıfırdan farklı bir ortalamaya sahip olmasına olanak tanınmış olur.15) (2. Bu ifade β 0 ≠ 0 olduğunda sıfırdan farklıdır. Geçerli regresyon şöyle olur. s. Bu şekilde alternatif hipotezin sıfırdan farklı bir ortalamaya sahip olmasına olanak tanınmış olur 34 .e. τˆ testi için geçerli hipotez ΔYt= ϕ Yt-1+ut şeklinde ifade edilmiştir. Bu durum özellikle alternatif hipotez altında kısıtlayıcıdır. 230. 36 ΔYt= β 0+ ϕ Yt-1+ut idi. 230. Önceden yürüyüşün ne yönde olacağını bilmek mümkün değildir. Bu regresyon için uygun boş hipotez 35 . Bu ifade Yt =Yt-1+ ut yani pür rassal yürüyüş sürecidir. Çünkü durağan bir süreç sık sık ortalamasını aşağıdan ve yukarıdan kesmektedir. kısıtlı ve kısıtsız modellerin karşılaştırılmasına yönelik bir F istatistiğidir 33 . Ekin Kitabevi. 35 Patterson. Çünkü ρ <1 ise ut’ nin beklenen değeri sıfıra eşitlendiğinde. Dolayısıyla ˆ eğer Yt’ nin ortalaması sıfırdan farklı ise τ testi için geçerli regresyon ΔYt= ϕ Yt-1+ut uygun bir başlangıç noktası değildir. yani kayma yoktur. Yt= β 0+ ρ Yt-1+ ut Bu ifade yeniden ΔYt= β 0+ ϕ Yt-1+ut (2.16) şeklinde yazılabilir. 37. uzun dönemde Yt = β 0 /(1 − ρ ) olacaktır. Geçerli regresyon kesme içerecek şekilde genişletilmelidir. 52 . Çünkü hem boş hipotez hem de alternatif hipotez altında Yt sıfır ortalamaya sahiptir.geliştirilmiş olup. 2007. Patterson. Bu boş hipotez altında Yt pür rassal yürüyüş 36 tarafından yaratılmaktadır. Bursa.g.

s. ΔYt= β 0+ β 1t+ ϕ Yt-1+ut 37 38 (2. Bu alternatif hipotez altında üç olasılık söz konusudur: H 1 : β 0 ≠ 0 ve ϕ ≠ 0 (durağan) H 1 : β 0 ≠ 0 ve ϕ = 0 (kayan rassal yürüyüş) 38 H 1 : β 0 = 0 ve ϕ ≠ 0 (durağan) Burada β 0 = 0 ve ϕ = 0 ya da β 0 ≠ 0 / β 0 = 0 ve ϕ <0 olarak beklenir.g.4. Eğer boş hipotez ( H 0 : β 0 = 0 ve ϕ = 0 ) reddedilmezse. a.g.1. DF Φ1 sınaması kullanılarak birleşik boş hipotez testi uygulanır. 38. a. β 0 = 0 reddedilmemiş olduğundan kesme içermeyen en kısıtlı modele (Yt= ρ Yt-1+ut ) geçmek mümkündür 39 . Yt= β 0 +Yt-1 + ut şeklini alır.g. 230. Aksi halde seride gözle görülür bir trend olacaktır ve bu durumda geçerli olduğu ileri sürülen hipotez doğru başlangıç noktası olmayacaktır.e. Ancak bu modellerde trend yaratmak için bir mekanizma yoktur. Daha uygun geçerli regresyon. ut’ nin belirli gerçekleşmesi ne olursa olsun Yt-1 ile kıyaslandığında Yt’ deki değişme olacaktır. Burada β 0 bir kayma terimidir. s. 2. 39 Patterson. 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. 40 Patterson. β 0 kadar 53 . 232.17) Bozkurt. Gerçekte kayan rassal yürüyüş biçimsel olarak devre dışı bırakılmasa da ϕ = 0 iken β 0 ≈ 0 olması beklenir.H 1 : β 0 ≠ 0 ve/veya ϕ ≠ 0 olacaktır 37 . uzun dönemde Yt bir sabit sayı olan β 0 /(1 − ρ ) ’ a doğru yönelme eğilimindedir 40 . s. Pür rassal yürüyüş sürecine kesme terimi eklenerek.e. a. 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.e.3. Eğer verilerde trend varsa τˆ ve τˆμ geçerli bir başlangıç noktası değildir.

β 1 =0 olması nedeniyle deterministik trend yoktur anlamına gelmektedir.0.0) birim kök ve deterministik trend var. Boş hipotez. H 0 : ( β 0 . Bu alternatif hipotezlerden sadece biri birim köklüdür. Örneğin seride bir trend mevcutsa.g. β 1 . Yani Yt deterministik bir trend etrafında durağandır. H 1b : ( β 0 . Bu durum fark entegre edildiğinde Yt’ nin düzeyinin β 0t cinsinden bir terim ve β 1t 2 cinsinden bir terim içereceği anlamına gelir.0) şeklinde yazılabilir.e. a. Bir test istatistiği ve uygun alternatif seçimi yapılırken. 233. deterministik trend var. 54 . Geriye H 1a ve H 1c kalmaktadır. Seride açıkça bir trend yoksa ve alternatif hipotez altında ortalama sıfırdan farklı ise Φ1 41 Patterson. serinin niteliği göz önüne alınmalıdır. ϕ = 0 olması nedeniyle birim kök vardır. Bu iki alternatif hipotez birim kökü reddetme açısından birbirine benzemekte ancak deterministik trend açısından birbirinden ayrılmaktadır. β1 . H 1c : ( β 0 . H 1a ’ da deterministik trend vardır. β 1 . ϕ ) = ( β 0 . Çünkü H 1c ’ de trend yaratacak bir mekanizma yoktur. ϕ ) = ( β 0 . Eğer serinin zaman yolu grafiğinden deterministik trend içerdiği açıkça gözleniyorsa H 1c pek muhtemel değildir. ϕ ) = ( β 0 . Bu durumda boş hipotezi reddetmeye yönelik sadece H 1a kalmaktadır. s. Düzeyde bu durumun ortaya çıkması pek muhtemel değildir. ϕ ) birim kök ve deterministik trend yok.olacaktır 41 . Bu boş hipotez üç nedenden biri ile reddedilebilir: H 1a : ( β 0 . β 1 . ϕ ) = ( β 0 . β 1 . H 1c ’ de deterministik trend yoktur. Bu şekilde alternatif hipotezlerden herhangi birinin doğru olması nedeniyle H 0 reddedilebilir. Bu hipoteze göre ΔYt= β 0+ β 1t + ut’ dir. β 1 . ϕ ) birim kök yok. Burada ϕ = ρ -1’ dir. Φ 3 ve sınaması τˆβ test istatistikleridir. Bu sıfır hipotezi.0. H 1b : ϕ = 0 ve β1 ≠ 0 . uygun başlama noktası kesme ve deterministik trend içeren geçerli regresyon.

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

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

s. “Testing for a Unit Root in Time Series Regression”. s. birim kök hipotezini inceleyen istatistiki testlere olan ilgiyi arttırmıştır 52 . 1 ~ ~ ~ ~ y t = μ + β (t − T ) + α y t −1 + u t 2 (2. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + βt + ε t j =1 p (2. 53 Enders.e. 240. 304. Biometrika. 54 Peter C. Pierre Perron. Bu sayede otokorelasyon sorunu ortaya çıkmamaktadır.g. a.4. s.e. 229. s. Uygulamada en çok kullanılan birim kök testi Dickey-Fuller birim kök testidir. B. Modele deterministik trend ilave edildiğinde.e.g. Dickey-Fuller birim kök testi hata terimlerinin istatistiki olarak bağımsız olduklarını ve sabit varyansa sahip olduklarını varsayar.g. Bu durumu daha iyi anlamak için şu regresyonlar dikkate alınır 54 . Phillips-Perron (PP) Testi Zaman serilerinin bir çoğunun durağan bir sürece sahip olmamaları.e.3.28) Patterson. 2. s. a. 52 Bozkurt. 51 50 57 . 41. Ancak literatürde başka birim kök testleri de mevcuttur 51 . a. ΔYt = μ + ϕYt −1 + ∑ α j ΔYt − j + ε t j =1 p (2.27) olur ve tüm test prosedürleri aynı şekilde uygulanır 50 . Phillips ve Perron (1988) Dickey-Fuller’ ın hata terimleri ile ilgili varsayımını genişletmişlerdir. a. Phillips-Perron birim kök testi ise hata teriminin zayıf derecede bağımlı olmasına ve heterojen olarak dağılmasına izin vermektedir 53 . (1988). Sevüktekin ve Nargeleçekenler. 335-346.26) şeklini alır.g. Phillips. modele gecikmeli değerler ekleyerek Dickey-Fuller testini otokorelasyon problemine karşı düzeltmiştir.Genel olarak ADF(p) modeli. ˆ ˆ ˆ yt = μ + αyt −1 + u t . Genişletilmiş Dickey Fuller testi. Sayı: 75.

(1989). LM testinde boş hipotez. Trendden arındırılan seride birim kök olmaması. Dolayısıyla LM istatistiğinin oluşumu önemlidir. buna karşın alternatif hipotez ise seride birim kök olduğunu ve durağan olmadığını ima eder. 56 55 58 . KPSS testi LMc testi ile benzer biçimde belirlenmektedir58 . Journal of Business and Economic Statistics. 31. 269. s.g. 57 Schwert G. katsayıların ˆ y t = y t −1 + u t (2. Denis Kwiatkowski & Peter C. s. Sayı: 7.4. Sıfır hipotezi serinin durağan olduğunu ve birim kök içermediğini.B. KPSS testinin en önemli özelliği 1 veya daha büyük bir MA yapısı içeren serilerde ADF’ nin aksine gücünün azalmamasıdır 57 . “Tests for Unit Roots: A Monte Carlo Investigation”. 2005. KPSS Testi KPSS (Kwiatkowski-Phillips-Schmidt-Shin) testinde amaç gözlenen serideki deterministik trendi arındırarak serinin durağan olmasını sağlamaktır 56 . 58 Patterson. Phillips-Perron denklemlerdeki α ve β katsayılarının testi için test istatistiklerini oluşturmuşlardır. Boş hipotezdeki durağanlık trend durağanlıktır. Birim Kök Analizinin Temelleri. Phillips-Perron birim kök testi test istatistikleri Genişletiliş DickeyFuller (ADF) test istatistiği için kullanılan kritik tablo değerleri ile karşılaştırılarak sıfır hipotezleri kabul veya reddedilir. s. 147-159. “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?”..Burada T gözlem sayısını ut hata terimlerinin dağılımını göstermekte olup bu hata teriminin beklenen değeri sıfıra eşittir (E(u)=0).29) sürecinde oluştuğu hakkındaki H0 hipotezini test etmek için Dickey Fuller’ in τ istatistiğinin geliştirilmiş bir biçimini üretmişlerdir 55 . Karun Nemlioğlu. serinin trend durağanlığını gösterir. Phillips & Peter Schmidt and Yongcheol Shin. a. İstanbul. Buna göre serilerin durağan olup olmadıklarına ~ ˆ karar verilir. 2. rassal yürüyüşün sıfır A. Bu testte kurulan birim kök hipotezi ADF testinde kurulan hipotezlerden farklıdır. Sayı: 54. Journal of Econometrics. Beşir Kitabevi. Çünkü seriler trendden arındırılmışlardır.e. Phillips ve Perron. (1992). 159-178.4. s. Fakat burada hata terimleri arasında içsel bağlantının (serial correlation) olmadığı veya homojenlik varsayımı gerekli değildir.

rassal yürüyüş ve durağan kalıntılar toplamından oluştuğunu ima eder.33) s 2 (l ) = T −1 ∑ et2 + 2T −1 ∑ w( s.T l T (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 (2.34) Burada w( s.varyansa sahip olduğunu ve serinin deterministik trend. KPSS test istatistiğinin hesaplanabilmesi için. a. et durağan kalıntıları (et ~ IIDN(0. al. σ u2 ) göstermektedir. t deterministik trend. 164. l ) = 1 − s /(l + 1) (2.35) 59 Kwiatkowski and et. σ e2 ) ve ut ~ IID(0. 59 .2. Durağanlık hipotezinde ut’ nin varyansının sıfır olduğunu ( σ u2 =0) varsayar.g. 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. l ) ∑ et et − s t =1 s =1 t = s +1 (2. Yt = β t + wt + et wt = wt −1 + u t (2. Bartlett penceresidir ve şu şekilde tanımlanır 59 : w( s.31) Burada wt modelin rassal yürüyüşü.32) Burada S t kalıntıların kümülatif toplamı.30) (2. l ) .m. s.….

Nokta Optimal testi. α = 1 boş hipotezi tahmin edildikten sonra elde edilen kalıntı kareleri toplamıdır. 2 PT = [S (α ) − α S (1)] / s AR (2. H. yt zt G.0 alınmaktadır. Burada α =1+ c / T olarak hesaplanmaktadır. Sayı: 64. y t = d t + αyt −1 + ε t (2. Burada S (α ) kalıntı kareleri toplamı. ADF-GLS testi uygulanabilmesi için serinin kesme ve trendden arındırılması gerekmektedir.2. T. S (1) .4.t)’ olarak hesaplanmaktadır ( zt . 813-836. Seride sadece kesmenin olması durumunda c = -7.37) modeli OEKK (Olağan En Küçük Kareler) yöntemi ile tahmin edilir. (1996). Elliott.36) Burada dt deterministik kısım ve ε t gözlenemeyen ancak ortalaması sıfır varsayılan hata sürecidir. “Efficient Tests for an Autoregressive Unit Root” Econometrica. Stock. :α = 1 ~ H1 :α = α < 1 H 0 ~ şeklindedir. Seride trend yoksa sadece kesme varsa o zaman bu vektör zt =(1)’ olacaktır. ADF-GLS (Nokta Optimal) Testi ADF-GLS (Nokta Optimal) Birim Kök Testi uygulanması için serilerde.38) şeklinde hesaplanır. s.5 alınır.5. 60 60 . Rothenberg ve J. Seride kesme ve trend gözleniyorsa c = -13. ~ = y − β 'z yt t t (2. deterministik trend veya kesmenin olması koşulu aranmaktadır 60 . ADF-GLS (Genelleştirilmiş En Küçük Kareler ADF) için kullanılan model kalıbı. J. burada zt =(1. ADF-GLS testi için kurulacak hipotez. Trendden arındırma işlemi için y td = y t − β ' z t olmak üzere. 1’ ler ve deterministik trendden oluşan vektördür). β ' ’ yi bulabilmek için ~ üzerine ~ regrese edilmelidir.

“Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties”. (1 − α L) y 2 . ~2 .. Birim kök testleri otoregresif gecikme mertebesinin seçimi ile alakalıdır. 1519-1554.. (2001). NG Perron testi bu nedenle PP testlerini ve bilgi kriterlerini modifiye etmektedir 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.. s. Perron... ~t ) = ( y1 . T κ = ∑ (Yt d1 ) 2 / T 2 − t =2 (2. Ng-Perron Testi (2.. s. Phillips-Perron birim kök testinde ortaya çıkan hata teriminin hacmindeki çarpıklığın düzeltilmesi için geliştirilmiştir 62 . s... DF testlerinde bu durum çok büyük bir sorun yaratmamaktadır. (1 − α L) z t ) z z z Trendden ve kesmeden arındırılmış y td serisine standart ADF uygulanır 61 .43) Elliott and et.g. (1 − α L) z 2 .. Bunun yanında bilgi kriterleri AIC ve SIC modele dahil edilen gecikmelerde minimum olmalıdır. Perron ve S. Econometrica.. al.6.. “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. 831.4. PP testinde serilerde negatif hareketli ortalama yapısı olduğunda. 63 S. The Review of Economic Studies. 62 61 61 . (1 − α L) y t ) y y y ~ ~ ( ~1 .. Ng. 435-463.41) olmak üzere. 2.42) Hesaplamada... Sayı: 63. P. ~2 . a. (1996).40) Ng-Perron birim kök testi.~ ve ~ şöyle tanımlanır. Ng ve P.m..39) (2. Sayı: 69.. d MZ α = (T −1 (YTd ) 2 − s 2 ) /( 2κ ) MZ td = MZ α × MSB MSB d = (κ / s 2 )1 / 2 (2. yt zt ~ ~ ( ~1 . büyük oranda hata teriminde örneklem çarpıklığı olmaktadır. ~t ) = ( z1 .

1529. Bu test ADFGLS (Nokta Optimal) testin modifiye edilmiş durumudur.49) (2. s. Ng-Perrron testinde kullanılan dördüncü test MPTd testidir.44) ˆ ∑e T 2 tk ˆ σ k2 = (T − k ) −1 (2. ˆ ˆ β (1) = ∑ β i 1 k (2. t } 1 ise ise (2. a. 64 Ng ve Perron. Modifiye edilen bu bilgi kriteri MIC olarak gösterilir ve aşağıdaki formülle hesaplanır: ˆ MIC (k ) = ln(σ k2 ) + Burada.47) AIC ve SIC bilgi kriterlerini MA yapısı göz önünde bulunduracak şekilde modifiye edilmiştir.45) (2. CT (τ T (k ) + k ) T − k max (2. Bu aşamadan sonra test istatistikleri denklem (2.46) t = k +1 ˆ ˆ s 2 = σ k2 /(1 − β (1)) 2 hesaplanır.m.Buradan.g.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 .48) ˆ ˆ τ T (k ) = (σ k2 ) −1 β 02 ∑t =k max +1 yt2−1 ve T (2. 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 = { .42) deki formüllere göre bulunabilir. 62 .

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

1 5.5 12.5 4 5.7 7. 2005.6 7. s.3 6.9 3.9 10.7 7. 64 .7 6.7 13. korelogram testi ve literatürde en fazla kullanılan birim kök testleri ile yapılmıştır.7 2.1 11.7 3.9 4.5 4.4 13.8 2.8 İhracatın GSMH içindeki payı (%) 3.6 3.4 10 9. 3 Eviews 5.3 6.3 4.2 9.6 13.3 3.1 14.7 2.2 9 8.9 9.7 9.6 9.8 7.6 8.7 12.9 11.9 12.3.8 9.9 4.1 8.6 7.3.3 6 5 5.4 21.4 2.7 2.1 İhracatın GSMH İçindeki Payı(%) İhracatın GSMH içindeki payı (%) 8.1 20.3 8.8 21. İstatistik Göstergeler 1923-2006. Uygulamada Kullanılan Yöntem Serinin durağanlık analizi.2 İhracatın GSMH içindeki payı (%) 5.9 21. USA.1 paket programına ilişkin daha ayrıntılı bilgi Eviews 5.6 7.6 8.1 9.7 12.9 3.3 5.1 yardımıyla analiz edilmiştir.9 4 4.3 2 2.6 13. ekonometri paket programı Eviews 5.4 Yıllar 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 Yıllar 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 Yıllar 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 Yıllar 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Kaynak: TÜİK.8 8.8 4.5 19.2 10 7.4 11.1 3.9 8. Durağanlık analizi sonrasında zaman serisi modellemesinde en uygun öngörü yöntemi olan Box-Jenkins (BJ) yöntemi kullanılarak 2007 yılı ihracatın GSMH içindeki payı (%) verisi öngörülmeye çalışılmıştır.7 4 3 3.1 User’s Guide. Seri. Tablo 3.9 11.2 10. Paket programa ilişkin ayrıntılı bilgiler ekte verilmiştir 3 .9 19. LLC. 434-435.4 4 2. Quantitative Micro Software.9 İhracatın GSMH içindeki payı (%) 9.

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

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

Logaritmik ihracatın GSMH içindeki payı (LIHR) verilerinin korelogramı. Yani anlamlı bir otokorelasyon ve kısmi otokorelasyon olduğuna karar verilir. a.96*0. İstatistiksel olarak anlamlı otokorelasyonların varlığı olasılık (probability) sütunundan görülmektedir. otokorelasyon fonksiyonunun korelogramı yüksek bir değerden başlayıp yavaş yavaş sönmekte ve bu serinin durağan olmadığı fikrini vermektedir. 67 . Kısmi otokorelasyon fonksiyonu 4 Tarı. otokorelasyon fonksiyonunun seçilen 36 gecikme sürecinde tahmin edilen veya hesaplanan değerini AC ile gösterilen sütunda belirtir. dışına taşıyor ise var demektir 4 . istatistiksel bakımdan önemli bir anakütle otokorelasyon fonksiyonu yok.3’ deki dikey çizgiler %95 kabul bölgesini göstermektedir.109 9. O halde serinin durağan olmadığını söylemek mümkündür.311 > t t =1.109) = ± 0. Bu çizgilerin oluşturduğu alan.96 olduğundan boş hipotez reddedilir. İstatistiksel olarak anlamlı bu otokorelasyonlar serinin durağan dışılığını yansıtır. tACF(1) = şeklinde 0. AC sütunu sıfıra ne kadar yakınsa söz konusu zaman serisi için durağanlık veya temiz dizi olma özelliği daha fazla ağırlık kazanır. Örneklem hacmi T=84 gözlemden oluştuğu için otokorelasyon katsayısının standart hatası. Yani birinci gecikme için hesaplanan otokorelasyon katsayısı istatistiksel olarak anlamlı bulunmuştur.311 0.Se ACF (k ) ) = ± (1. t t =1.g. Örneklem otokorelasyon fonksiyonu bu bölgenin içinde olursa.165 Birinci gecikme için hesaplanan otokorelasyon katsayısı için hesaplanan t değeri.96 ile karşılaştırıldığında tACF(1) = 8. ± (t t . 391. Seri belirli bir ortalama etrafında dalgalanmadığı için.05 anlamlılık düzeyinde kritik tablo hesaplanır.213 olacaktır.3’ de otokorelasyon katsayıları için güven aralıkları ise. ± (t t .Se ACF (k ) ) ile hesaplanır. s.e. Şekil 3. Korelogramdan da açıkça görüleceği gibi k=36 gecikme için hesaplanan ACF(k) ve PACF(k)’ lar güven aralığının dışına çıktığı için H0 hipotezi reddedilir.906 = 8.109 0.Şekil 3. Se ACF (k ) = 1 84 = 1 = 0.

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

o zaman farkı alınan sayı kadar serinin birim kök içerdiği sonucuna varılır.değişkeninin t istatistiği değeri (2. a.390<3. τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde küçük olduğunda H0 hipotezi reddedilemez ve serinin durağan olmadığı sonucuna varılır.5 LIHR Serisinin Düzey Değerleri İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Bu t tablo değerleri standart t tablo değerleri değildir. 6 71 . 2.42 olduğu görülür. Serinin farkı alınarak aynı karşılaştırma yapıldığında τ istatistiği mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden çeşitli anlamlılık düzeylerinde büyük çıkarsa.g. H 0 : β1 = 0 H 1 : β1 ≠ 0 Tek yanlı olduğu için daha güçlü olan τˆβ testi yapıldığında. Bu H 0 hipotezinin reddedilemeyeceği ve seride deterministik trendin olmadığı anlamına gelir. H0 = ϕ = 0 H1 = ϕ < 0 Burada boş ve alternatif hipotezler sırasıyla seride birim kökün var olduğunu ve var olmadığını ifade eder. s. 7 Patterson. Tablo 3.e. Seride birim kökün varlığı nedeniyle karşılaştırmada standart t tablo değerleri kullanılmaz. 238.390) %5 anlamlılık düzeyinde t tablo değeri 6 ile karşılaştırıldığında 7 .

7 Trendsiz Model Sonuçları H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var. Φ 3 testi için tahmin edilen modelden trendi düşürerek model tekrar tahmin edilir. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.6’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. Tablo 3.7’ deki gibi olduğu bulunur.263) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. 3. 72 . 12 gecikme ile başlanarak ve anlamsız gecikmeleri düşürerek devam edildiğinde tüm gecikmeler düştüğü ve nihai modelin Tablo 3.1.5.6 Birinci Farkı Alınan LIHR Serisi İçin τˆβ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.2. 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. Trendsiz modelin kaç gecikmeli olacağını belirlemek için Φ 3 testinde izlenen süreç tekrar edilir.

a.46 olduğundan H 0 reddedilemez. 1.e. 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.86 olduğu görülür. Bu H 0 hipotezinin reddedilemeyeceği ve kesme teriminin anlamsız olduğu anlamına gelir.8 LIHR Serisi İçin Φ1 Testi Tablo 3. 8 β 0 kesme teriminin anlamlığına bakıldığında. Patterson. s.857 <4. 231. Tablo 3. 73 . Bu sonuç H 0 hipotezinin reddedilemeyeceğini ve seride birim kökün varlığına işaret eder.308<2. s. %5 anlamlılık düzeyinde t tablo değeri 9 ile karşılaştırıldığında. 238. %5 anlamlılık düzeyinde tablo değeri ile karşılaştırıldığında.e.Geçerli modelin kalıntılarında serisel korelasyon olup olmadığının anlaşılması amacıyla serisel korelasyon 12 gecikme ile uygulanmıştır. serisel korelasyon yoktur. H0 : β0 = 0 H1 : β 0 ≠ 0 Tablo 3. 0.857).7’ deki kesme teriminin t istatistiği değeri (1.308).8’ de elde edilen F istatistiği (0. Hesaplanan test istatistiği.g. Obs*Rsquare=11.735 ve p=0.740 olduğu görülür. a. 8 9 Patterson.g.

10’ dan serinin birinci farkı alındığında τ istatistiğinin (-8. LIHR Serisi İçin τˆ Sınaması Tablo 3.10 Birinci Farkı Alınan LIHR Serisi İçin τˆμ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3.5.11 LIHR Serisinin Düzey Değerleri İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri 74 .Tek yanlı olduğu için daha güçlü olan τˆμ testi yapıldığında.129) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3. Boş hipotez reddedilmediği için β 0 = 0 olduğundan kesme içermeyen en kısıtlı modele geçmek mümkündür.9 LIHR Serisinin Düzey Değerleri için τˆμ Testi Tablo 3.1.3. 3. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.

2. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. 75 . %1. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.13 Trend Değişkenli PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri PP test istatistiği (-1. 3. seride birim kökün varlığını ve serinin durağan olmadığını.12’ den serinin birinci farkı alındığında τ istatistiğinin (-8. Ancak bu modelde yer alan trend değişkeninin istatistiki olarak anlamsız olduğu göz önüne alınırsa modelden trend değişkeninin çıkarılması gerektiği anlaşılır.172) mutlak değerce ( τ ) MacKinnon kritik değerinin mutlak değerinden %1. mutlak değerce küçük olduğu görülmektedir.12 Birinci Farkı Alınan LIHR Serisi İçin τˆ Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. H 1 alternatif hipotez ise. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. %5 ve %10 anlamlılık düzeylerinde büyük olması nedeniyle serinin bir birim kök içerdiği sonucuna varılır.5. Burada H 0 boş hipotezi. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) Tablo 3.Tablo 3. LIHR Serisi İçin Phillips-Perron (PP) Testi Phillips-Perron (PP) birim kök testinde hipotezler aşağıdaki gibidir.87).

14 Trendsiz PP Birim Kök Test Sonuçları * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. Çünkü PP test istatistiği (-8.Tablo 3. H 1 alternatif hipotez ise.5. Tablo 3. Burada H 0 boş hipotezi. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. 76 .15 Birinci Farkı Alınan LIHR Serisi İçin PP Testi * MacKinnon (1996) tek taraflı olasılık değerleri Tablo 3. Buradan serinin birim kök içerdiği ve durağan olmadığı görülür. 3. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. %1. seride birim kökün olmadığını ve serinin durağan olduğunu. test istatistiğinin mutlak değerce kritik değerlerden büyük olduğu görülmektedir.3 LIHR Serisi İçin KPSS Testi KPSS birim kök testinde hipotezler aşağıdaki gibidir.14 Trendsiz PP birim kök test sonuçlarından PP test istatistiği (-1.127). %1.55). birim kök vardır. H 0 : Seri durağandır. Buradan serinin bir birim kök içerdiği sonucuna varılır. birim kök yoktur H 1 : Seri durağan değildir. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında.15. seride birim kökün varlığını ve serinin durağan olmadığını ifade eder. mutlak değerce küçük olduğu görülmektedir.

03). H 1 alternatif hipotez ise.27).Tablo 3. test istatistiği (0. test istatistiği (0.17’ ye göre. kritik değerlerden büyük olduğu için H 0 reddedilir ve H 1 kabul edilir. Burada H 0 boş hipotezi.17 Birinci Farkı Alınan LIHR Serisi İçin KPSS Testi * Kwiatkowski-Phillips-Schmidt-Shin (1992. LIHR serisinin birinci farkı alınarak yapılan KPSS testinin sonuçlarını gösteren Tablo 3.5.16 LIHR Serinin Düzey Değerleri İçin KPSS Testi Tablo 3. Tablo 1) Düzey değerleri için yapılan KPSS birim kök test sonuçlarını gösteren Tablo 3. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder. H 0 : ϕ = 0 (birim kök var) H 1 : ϕ < 0 (birim kök yok) 77 . Seri birim kök içermektedir ve durağan değildir. 3. seride birim kökün varlığını ve serinin durağan olmadığını. kritik değerlerden küçük olduğu için H 0 reddedilemez ve birinci farkı alınan serinin durağan olduğu dolayısıyla LIHR serisinin bir birim kök içerdiği sonucuna ulaşılır.4 LIHR Serisi İçin ADF-GLS (Nokta Optimal) Testi ADF-GLS birim kök testinde hipotezler aşağıdaki gibidir.16’ ya göre.

H 0 : Seri durağan değildir. birim kök vardır. %5 ve %10 anlamlılık düzeylerinde kritik değerlerle karşılaştırıldığında. Tablo 1) Tablo 3. H 1 : Seri durağandır. Bu sonuç H 0 : ϕ = 0 boş hipotezinin reddedilemeyeceğini ve seride birim kökün olduğunu dolayısıyla serinin durağan olmadığını gösterir. 3. Tablo 3.5.18’ de LIHR serisinin düzey değerleri için ADF-GLS test istatistiği (-1. seride birim kökün olmadığını ve serinin durağan olduğunu ifade eder.19.18 LIHR Serinin Düzey Değerleri İçin ADF-GLS Testi Tablo 3.19 Birinci Farkı Alınan LIHR Serisi İçin ADF-GLS Testi * Elliott-Rothenberg. mutlak değerce küçük olduğu görülmektedir.Tablo 3. birinci farkı alınan LIHR serisinin durağan hale geldiğini ifade etmektedir. %1. seride birim kökün varlığını ve serinin durağan olmadığını. H 1 alternatif hipotez ise.Stock (1996.5 LIHR Serisi İçin Ng-Perron Testi Ng-Perron birim kök testinde hipotezler aşağıdaki gibidir. birim kök yoktur 78 . Burada H 0 boş hipotezi.53).

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

102Δlihrt −1 + et olur.132 ve -0. Kalıntılar beyaz gürültü (temiz dizi) özelliğini gösteriyorsa yani sabit bir ortalama ve varyansa sahipse denklem (3. Böylece serinin ARIMA(1.1)’ deki modelin uygunluğuna karar verilir. 3. Logaritması alınmış ihracatın GSMH içindeki payı serisinin durağanlaştırılması için bir defa farkı alındığından fark derecesinin d =1 olduğu anlaşılmıştır.1) Tahmin modelinin oluşturulmasının ardından modelin kalıntılarının test edilmesi gerekir.1. Modelin uyum iyiliği göstergesi olan Akaike bilgi kriteri (AIC) ve Schwarz bilgi kriteri (SIC) değerleri sırasıyla -0. İlgili korelogram Şekil 3. Serinin PACF grafiğine bakıldığında ise birinci gecikme değerinin yüksek olduğu. kısmi otokorelasyon çubuklarında sadece k =1 için olan %95 aralığın dışında kaldığı diğer gecikmelerde ise giderek azaldığı görülmektedir. Yani AR(1) durumu söz konusudur.ortalamaya sahip değildir. 80 .007 + 0.073 bulunmuş olup. Hesaplanan bu değerler modelde yerine yazılarak tahmin modeli oluşturulur. Aşama: Uygunluk Testi (3. Bunun için hata terimlerinin korelogramı incelenir. 2. bu değerlerin sıfıra yakın olmaları da modelin uygun olduğunun bir işaretidir. Aşama: Tahmin Bu aşamada öncelikle tespit edilen modelin parametre tahminlerinin yapılması gerekmektedir. Δlihrt = 0. Bu durum modelin tipik bir otoregresif yapıda ve gecikmenin k =1 olduğunu gösterir.0) yapısına sahip olduğuna karar verilmiştir. Modelde AR ve MA’ nın derecelerine karar verildikten sonra modelde kullanılan parametre değerleri hesaplanır.5’ de görülmektedir. Tahmin edilen model.

81 . otokorelasyon ve kısmi otokorelasyon çubuklarının hepsinin %95 aralığı içinde kaldığı görülecektir.1.Şekil 3. Dolayısıyla bu model uygundur ve öngörü için kullanılabilir.0) Modeli Hata Terimlerinin Korelogramı Korelogram incelendiğinde.5 ARIMA(1.

6 .2 -. H 0 : Serisel korelasyon yok H 1 : Serisel korelasyon var.2 Forecast: DLIHRF Actual: DLIHR Forecast sample: 1923 2010 Adjusted sample: 1925 2007 Included observations: 82 Root Mean Squared Error Mean Absolute Error Mean Abs.000000 0.0 -.0) Model Kalıntılarının Serisel Korelasyon Testi Modelin kalıntılarında serisel korelasyonun varlığının test edilmesinde hipotezler. 4.Tablo 3.4 -. Breusch-Godfrey Serial Correlation LM test sonuçlarını gösteren Tablo 3.05 olduğu için). Bu değerin sıfıra yakın olması öngörünün gerçek seri ortalamasını izlemekte başarılı 82 . Aşama: Öngörü 1923-2006 dönemi verilerine dayalı olarak tahmin edilen modeli kullanarak.48>0.578 çıkarken p değeri 0.171334 109.1. Bu model öngörü için kullanılabilir. 2007 yılı için öngörü yapılabilir.48 olmuştur.186286 . Bu p değeri H 0 hipotezinin reddedilemeyeceğini ve modelin kalıntılarında serisel korelasyonun olmadığını gösterir ( H 0 hipotezini kabul etme olasılığı.221000 0.22’ ye göre Obs*R-squared (gözlem sayısı ile determinasyon katsayısının çarpımı) değeri 11.813714 0.6 1930 1940 1950 1960 DLIHRF 1970 1980 ± 2 S.6 Modelin Öngörü Performansı Şekil 3.1055 0. . 0. 1990 2000 Şekil 3.6’ dan görüleceği gibi öngörünün iyiliğini gösteren ölçüt Theil eşitsizlik katsayısı (Theil Inequality Coefficient)’ nın bir parçası olan yan oranı (Bias Proportion)’ dır.E. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0.22 ARIMA(1.4 .896970 0.

2 -.g. öngörü serisinin 2007 yılı ihracatın GSMH içindeki payına ilişkin öngörüsü %21.08 .olduğuna işaret eder 10 .6 .0 -.6 30 40 50 60 70 80 90 00 10 DLIHR Şekil 3.2 .1 paket programı yardımıyla bulunan 2007 yılı değişim öngörüsü 0.02 -.8 . DLIHRF .02 . a.074 değerinin logaritmik dönüşümü yapıldığında.e. 3.063+0. Bunu grafiksel olarak görmek için önraporlanan seri ile gerçek serinin yan yana grafiği çizilebilir.62’ dir. 83 . 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.04 -.7 Öngörü Serisi (DLIHRF) İle Gerçek Seri (DLIHR) Grafiği Şekilden açıkça görüldüğü gibi ön raporlar gerçek serileri öngörebilmektedir.06 30 40 50 60 70 80 90 00 10 .074 (LIHRF) olarak bulunur. Eviews 5.011=3.00 -.011 olmuştur. 2. s. Bu değer LIHR (logaritmik ihracatın GSMH içindeki payı) serisinin 2006 yılı değerine eklendiğinde 3.04 .06 . Aşamada tahmin edilen model kullanılarak 2007 yılı için ihracatın GSMH içindeki payını tahmin etmek mümkündür.4 -. 10 Pindyck ve Rubinfeld.4 . 211.

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

Bunun için ilk adım olarak durağan olmayan bir zaman serisini durağan hale dönüştürecek dönüşümler hakkında bilgi sahibi olunması gereklidir. Zaman serisi analizinde bakılması gereken temel istatistiksel özellik. Eğer stokastik süreç zaman boyunca sabitse yani seri durağan ise serinin geçmiş değerleri kullanılarak seriye ait sabit katsayılı bir model elde etmek ve öngörü yapmak mümkündür. Çünkü birçok istatistiksel model. Uygulamada Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan istatistik göstergelerden olan Türkiye’ de ihracatın gayri safi milli hasıla (GSMH) içindeki payı (%) 1923-2006 yıllık değerleri kullanılmıştır. ADF-GLS (Nokta Optimal) ve Ng-Perron birim kök testleri uygulanmıştır. Eviews 5. Gerek tek bir seriye ilişkin öngörülerde. orijinal veri üretme süreçlerinin durağan olması şartını gerektirir. gerekse değişkenler arasındaki ilişkilerin tanımlanmasında serilerin durağan olmaları şartı aranmaktadır. Zaman serisi analizinde süreç durağan değilse. En yaygın dönüşüm çalışmada bahsedildiği gibi fark alma işlemidir. Bir zaman serisi modeli geliştirildiğinde. Bu yöntemde seride kaç tane birim kök varsa o kadar fark alma işlemi yapılır. veriler bir dönüşüm yardımıyla durağan hale getirilmeye çalışılır. Bu testler sonucunda serinin düzey değerlerinin durağan olmadığı ancak birinci farklarının durağan olduğu yani serinin bir birim kök içerdiği tespit edilmiştir. Bu durum I(1) anlamına gelmektedir. serinin geçmiş ve gelecek yapısını basit bir cebirsel modelle ifade etmek mümkün olmaz.hareketli ortalama süreç ile homojen durağan olmayan süreç modelleri anlatılmaktadır. Eğer stokastik sürecin niteliği zaman boyunca değişiyorsa yani seri durağan değilse. Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Bir zaman serisini durağan hale getirmek için fark alma işleminin kullanılması Box-Jenkins tarafından yaygın hale getirilmiştir. Ayrıca otoregresif entegre (bütünleşmiş) hareketli ortalama süreçleri için Box Jenkins model kurma süreci üzerinde durulmuştur. elde edilen stokastik sürecin zamana bağlı olarak değişip değişmediğinin bilinmesi gereklidir. durağanlıktır.1 paket programı yardımıyla durağanlık analizi için korelogram testi ve en çok kullanılan birim kök testleri olan Genişletilmiş Dickey-Fuller (ADF). PhillipsPerron (PP). Zaman serisi modellemesinde kullanılan ve uygun bir öngörü yöntemi olan BoxJenkins (BJ) yaklaşımı ile ülkemizdeki ihracatın GSMH içindeki payı serisi 85 .

Yöntem.1. Son aşama olan öngörü aşamasında.0) modeli hata terimlerinin (kalıntılarının) temiz dizi (beyaz gürültü) olup olmadığı yani sabit bir ortalama ve varyansa sahip olup olmadığı araştırılmış ve hata terimlerinin temiz dizi olduğu yapılan korelogram testi ile görülmüştür. 86 . d. serinin bütünüyle kendi geçmiş bilgisine dayanarak tahmin yapmaya yöneliktir.1. p. q değerleri tespit edilen bu modelin parametre tahminleri yapılarak modelin uygun olup olmadığı test edilmiştir. Öngörü serisinin grafiğine bakıldığında da model seçiminin doğruluğu görülmüştür.modellenmeye çalışılmıştır. Böylelikle öngörü için kurulan modelin doğruluğu desteklenmiş olup uygunluk testi sonucunda tahmin modelinin öngörü için uygun olduğu anlaşılmıştır.62 olarak tahmin edilmiştir. Başarılı bir tahmin için yöntemin safhaları uygulanarak verilere en uygun ARIMA veri üretme süreci bulunmuştur. Böylece 2007 yılı için önraporlanan ihracatın gayri safi milli hasıla (GSMH) içindeki payı % 21.0) yapısında olduğu tespit edilmiştir. Box Jenkins (BJ) yöntemi kullanılarak serinin ARIMA(1. Seriye uygun olduğu düşünülen ARIMA(1. verilere en uygun bulunan zaman serisi modelinin önraporlaması yapılmıştır.

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

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

“Useful Modifications to Some Unit Root Tests with Dependent Errors and Their Local Asymptotic Properties” The Review of Economic Studies. 1999. Great Britain. s. I. G. 147-159. Sayı: 54.. 69. Macmillan Publishing Company. A. S. Econometric Models and Economic Forecasts. 1996. 2005.1519-1554.. Filiz Kitabevi. S.. Unit Root Cointegration and Structural Change. 1998. S. “Tests for Unit Roots: A Monte Carlo Investigation”. Journal of Business and Economic Statistics. Singapore. Yongcheol. PATTERSON. An Introduction to Applied Econometrics : A Time Series Approach.B. B.. ve NG. Biometrika. 1992. S. Newyork. (1988). “Lag Lenght Selection and the Construction of Unit Root Tests with Good Size and Power”. PINDYCK..L. PERRON. Peter C. SERPER. USA. G. 159-178. POLLOCK. İstanbul. SCHWERT. Academic Press. R. Sayı: 63. 89 . & SCHMIDT Peter ve SHIN. (1996). S. G. PERRON. 435-463. G.. Sayı: 75. P. Peter C.KWIATKOWSKI. ve D. (2001). İstanbul. 335-346. Econometrica. Karun. s. Newyork. A Handbook of Time Series Analysis Signal Processing and Dynamics.. P. 1998. NEMLİOĞLU. Sayı: 7. “Testing for a Unit Root in Time Series Regression”. S. RUBINFELD. Cambridge University Press. Irwin/ McGraw-Hill International Edit. NG. M. Birim Kök Analizinin Temelleri. Kerry. Journal of Econometrics. PHILLIPS. MADDALA.. Denis & PHILLIPS. D. Pierre. ve KIM. (1989). ve PERRON. (1992). 2000. No. s. s. s. 2. Uygulamalı İstatistik 2. Introduction to Econometrics. Beşir Kitabevi. MADDALA. Özer. Cambridge. “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?”.

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

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

Ekran 1.2 Program Komutu Penceresi Çalışma dosyası oluştur (workfile create) penceresinden verilerin sıklığı.3 Dosya Açma Penceresi 92 . başlangıç ve bitiş tarihleri girilir. Ekran 1.

Ekran 1.4 Komut Satırı İle Dosya Açma Penceresi Çalışma dosyası oluşturmanın bir diğer yolu ise komut satırına Create (oluştur) komutu ile serinin başlangıç ve bitiş tarihini girmektir. 93 .Ekran 1.5 Veri Girme Penceresi Veri girişi hücrelere yapılır.

7 Yt ve Gecikmesi Yt-1 İle İlerlemesi Yt+1 Değişkenlerinin Komut Penceresinden Oluşturulmasını Gösteren Pencere Yt değişkeninin gecikmesi ve ilerlemesinin komut penceresinden oluşturulması 94 .Ekran 1. Ekran 1.6 Grafik Çizme Penceresi View (görünüm) menüsünün altında Graph (grafik) ile serinin grafiği çizilir.

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

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

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

Ekran 1.11 Kalıntıların Serisel Korelasyon Testi Penceresi

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

Ekran 1.12 Parametre Testleri Penceresi

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

98

Ekran 1.13 Φ Testleri İçin Wald Testi

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

Ekran 1.14 Regresyon Denklemi Kurma Penceresi

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

99

Ekran 1.15 Öngörü Penceresi

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

100

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

Sign up to vote on this title
UsefulNot useful