Date post: | 28-Nov-2023 |
Category: |
Documents |
Upload: | khangminh22 |
View: | 1 times |
Download: | 0 times |
T.C
İSTANBUL ÜNİVERSİTESİ
SOSYAL BİLİMLER ENSTİTÜSÜ
İŞLETME ANABİLİM DALI
SAYISAL YÖNTEMLER DOKTORA PROGRAMI
DOKTORA TEZİ
İŞLETMELERDE ZAMAN SERİLERİ ANALİZİ İLE
TAHMİN
MUSTAFA CAN
2502020110
TEZ DANIŞMANI
PROF DR. NEYRAN ORHUNBİLGE
İSTANBUL, 2009
ÖZ
İşletmelerde Zaman Serileri Analizi İle Tahmin
Mustafa Can
Belirsiz olan geleceğin tahmin edilmesi gerek ülkeler gerek işletmeler için
hayati öneme sahiptir. Geleceğe yönelik isabetli tahminlerle işletmeler; üretim
programlarını, pazarlama faaliyetlerini, finansman gereksinimlerini, fiyat
politikalarını, insan kaynakları kullanımını etkin bir biçimde planlama olanağına
sahip olmaktadırlar.
Çalışmanın amacı; tanımlama, modelleme, tahmin ve kontrol alanlarında
kullanılan zaman serileri analiz yöntemlerinin işletmelerde uygulanışıdır.
Tez çalışması dört bölümden oluşmaktadır. İlk bölümde işletmelerde planlamanın ve
tahminin önemi üzerinde durulmaktadır. İkinci bölümde istatistik tahmin teknikleri
adı altında toplanan yöntemler sınıflandırılarak, tez çalışmasının kapsamı dışındaki
yöntemlere kısaca değinilmiştir. Üçüncü bölümde tez çalışmasının esas kapsamını
oluşturan tek değişkenli zaman serileri analiz teknikleri detaylı olarak üzerinde
durulmuştur. Bu bölümde bileşenlere ayırma, üstel düzgünleştirme, otoregressif
ve/veya hareketli ortalama ve otoregressif koşullu değişen varyans modelleri
anlatılmıştır. Dördüncü bölümde tek değişkenli zaman serileri analiz teknikleri petrol
sanayiinde uygulanmıştır. Petrol Sanayiinde faaliyet gösteren Tüpraş’ın satışları ve
ham petrol fiyatları uygulamaların yapıldığı değişkenlerdir. Bu değişkenlerin
seçimindeki amaç planlama için önemli olmalarıdır.
iii
ABSTRACT
Forecasting With Time Series Analysis in Business
Mustafa Can
Forecasting the future of macro and micro economic indicators is important
for countries and enterprises.
With the use of accurate forecasting techniques enterprises have the
oppurtunity of planning their departmental activities like production, marketing,
finance and human resourses management.
The main purpose of the thesis is to examine the time series forecasting
methods and their applications in business in order to forecasting and planning.
The thesis consist of four chapters and desing is as follows. In the first
chapter, the importance of planning and forecasting in business is emphasized. The
second chapter introduces the statistical forecasting methods. In the third chapter
simple time series forecasting methods such as, decomposition methods, exponential
smoothing, autoregressive and moving average models end autoregressive
conditional heteroscedastic models are explained. The last chapter, includes the
application of all of the reviewed techniques are applied to the yearly and quarterly
sales data of Tüpraş and yearly, seasonal and monthly crude oil prices in 1994-2008
period.
iv
ÖNSÖZ
Bu tez çalışmasının amacı bilgisayar teknolojisindeki gelişmeye bağlı olarak
son çeyrek zamanda büyük aşama kaydeden zaman serileri analizi ile geleceğin
tahmin edilmesini işletme bazında araştırmak ve uygulamaktır. Pratikte daha çok
makroekonomik değişkenleri modellemede kullanılan yöntemlerin işletme bazlı –
mikroekonomik- değişkenlerin modellenmesinde de kullanılabilirliğini irdelemektir.
Bunun için tez çalışmasında, Tüpraş işletmesinin İstanbul Menkul Kıymetler
Borsasına sunduğu üçer aylık gelir tablolarından hazırlanan net satışlar ve ham
petrol fiyatları veri seti olarak kullanıldı. İstanbul Sanayi Odasının her yıl yayınladığı
500 Büyük Sanayi kuruluşu araştırmasında hep birinci gelmesi, İstanbul Menkul
Kıymetler Borsasında işlem görmesinden dolayı mali tablolarının halka açık ve
erişimin mümkün olması ve petrol denenci akla ilk gelenin Tüpraş olması seçilme
nedenleri olarak sıralanabilir.
Değişkenlerin analizinde bileşenlere ayırma ve düzgünleştirme yöntemleri
için SPSS 13.0 versiyonu, otoregressif modeller için ise EViews 4.0 versiyonu
kullanılmıştır.
Bu tez çalışmasında göstermiş olduğu değerli katkılarından dolayı tez
danışmanı hocam Prof.Dr. Neyran Orhunbilge’ye çok teşekkür ederim. Fikir
alışverişinde bulunduğum arkadaşım Dr.Mehmet Horasanlı’ya ve dostum Gökhan
Turan’a teşekkür etmeden geçemem. Ayrıca her zaman yardıma hazır olan
Yrd.Doç.Dr. Çiğdem Çilan’a, Arş.Grv. Tuğba Saka’ya, Arş.Grv. Bilge Acar Bolat’a
ve Arş.Grv. Şebnem Er’e teşekkürü bir borç bilirim.
Çalışma dönemimde benden sabır, anlayış ve desteğini esirgemeyen eşim
Gülten Can’a ve tüm sevecenliği ile moral ve motivasyon kaynağım olan kızım
Elif’e ne kadar teşekkür etsem azdır.
v
İÇİNDEKİLER
GİRİŞ ................................................................................................................ 1
1. İŞLETMELERDE PLANLAMA, TAHMİN VE ÖNEMİ ........................... 5
1.1. Plan ve Planlama ………………………………………………......... 6
1.1.1. Planlamanın Özellikleri ………………………………........... 7
1.1.2. Plan Yapmanın Nedenleri .......…………………………........ 9
1.1.3. Planlamanın Aşamaları ....……………………………........... 10
1.1.4. Planlama ve Plan Çeşitleri ……………………………........... 11
1.1.5. Planlamanın Yararları ve Sakıncaları …………………........... 12
1.1.6. İyi Bir Planın Özellikleri ……………………………............. 14
1.2. Üretim Planlama ve Kontrolu ...........................................………....... 14
1.2.1. Talep Tahminleri ..................................................................... 16
1.3. Finansal Planlama ............................................................................... 17
1.3.1. Kısa Vadeli Planlama ve Nakit Bütçeleri ............................... 19
1.3.2. Uzun Vadeli Planlama ve Sermaya Bütçelemesi .................. 19
1.4. İnsan Kaynakları Planlaması ............................................................ 20
1.5. Zaman Serilerini Analiz Etmenin İşletme İçin Yararları ................... 20
2. İSTATİSTİK TAHMİN TEKNİKLERİ ...................................................... 23
2.1. İlişkiye Dayanan Tahmin Teknikleri .................................................. 23
2.1.1. Regresyon Analizi ................................................................... 23
2.1.1.1. Basit Doğrusal Regresyon Analizi .................................... 25
2.1.1.2. Doğrusal Olmayan Basit Regresyon Analizi ..................... 27
2.1.1.3. Çoklu Doğrusal Regresyon Analizi ................................. 28
2.1.1.4. Lojistik Regresyon ........................................................... 31
2.2. Zaman Serileri Analizi ......................................................................... 33
2.2.1. Zaman Serilerine İlişkin Temel Kavramlar .............................. 33
2.2.1.1. Zaman Serileri ................................................................... 33
2.2.1.2. Gecikme İşlemcisi ............................................................ 35
2.2.1.3. Fark Alma İşlemcisi .......................................................... 35
2.2.1.4. Beyaz Gürültü Serisi .......................................................... 36
2.2.1.5. Rassal Yürüyüş Süreci ...................................................... 37
vi
2.2.1.6. Durağanlık Kavramı .......................................................... 37
2.2.1.7. Otokovaryans Fonksiyonu ................................................. 38
2.2.1.8. Otokorelasyon Katsayıları ve Otokorelasyon Fonksiyonu. 39
2.2.1.9. Kısmi Otokorelasyon Katsayıları ve Kısmi Otokorelasyon
Fonksiyonu ....................................................................................
41
2.2.2. Tek Değişkenli Zaman Serileri Analiz Teknikleri ................. 42
2.2.3. Çok Değişkenli Zaman Serileri Analiz Teknikleri .................. 43
2.2.3.1.Koentegrasyon Analizi ........................................................ 44
2.2.3.1.1. Engle-Granger’ın İki Aşamalı Koentegrasyon
Yöntemi .......................................................................................
45
2.2.3.1.2. Johansen Koentegrasyon Yöntemi ............................... 46
2.2.3.2. Vektör Otoregresyon Modelleri ......................................... 47
3. TEK DEĞİŞKENLİ ZAMAN SERİLERİ ANALİZ TEKNİKLERİ ........... 50
3.1. Serilerin Analize Hazırlanması ............................................................ 50
3.1.1. Eksik Verilerin Tamamlanması .................................................. 50
3.1.2. Serilerin Düzenlenmesi ve Dönüştürme İşlemleri ..................... 51
3.2. Bileşenlere Ayırma Yöntemi ............................................................... 52
3.2.1. Hareketli Ortalamalarla Trendin Belirlenmesi ............................ 53
3.2.1.1. Merkezi Hareketli Ortalama .................................................. 54
3.2.1.2. Basit Hareketli Ortalama ...................................................... 55
3.2.2. En Küçük Karelerle Trendin Belirlenmesi .................................. 55
3.2.2.1. Doğrusal Trend Fonksiyonu .................................................. 56
3.2.2.2. İkinci Derece Trend Fonksiyonu .......................................... 58
3.2.2.3. Üstel Trend Fonksiyonu ....................................................... 59
3.2.3. Doğrusala Dönüştürme Yöntemleri ......................................... 60
3.2.4. Diğer Trend Fonksiyonları ........................................................ 60
3.2.4.1.Gompertz Eğrisi ................................................................... 61
3.2.4.2. Lojistik Eğri ......................................................................... 63
3.2.4.3. S Eğrileri ............................................................................... 64
3.2.5. Mevsim Bileşenin Belirlenmesi ................................................. 65
3.2.5.1. Mevsim İndeksinin Hesaplanması ........................................ 66
vii
3.2.5.2. Kukla Değişken ile Mevsim Etkisinin Belirlenmesi ............. 67
3.2.5.3. Kruskal-Wallis Testi ............................................................. 68
3.2.6. Konjonktür ve Arizi Faktör Bileşenlerinin Belirlenmesi ............ 69
3.3. Düzgünleştirme Yöntemleri ................................................................. 71
3.3.1. Hareketli Ortalamalar Yöntemi ................................................... 72
3.3.2. Üstel Düzgünleştirme Yöntemleri .............................................. 72
3.3.2.1. Basit Üstel Düzgünleştirme Yöntemi ...................................... 72
3.3.2.2. Brown’ın İkili Üstel Düzgünleştirme Yöntemi ........................ 74
3.3.2.3. Holt’un İkili Üstel Düzgünleştirme Yöntemi ........................... 75
3.3.2.4. Holt’un İki Parametreli Doğrusal Üstel Düzgünleştirme
Yöntemi ................................................................................................
76
3.3.2.5. Brown’ın Tek Parametreli İkinci Derece Düzgünleştirme
Yöntemi .................................................................................................
77
3.3.2.6. Holt Winters İki Parametreli İkili Üstel Düzgünleştirme
Yöntemi – Üstel Trend ..........................................................................
78
3.3.2.7. Yavaşlayan (Damped) Trend Üstel Düzgünleştirme Yöntemi 79
3.3.2.8. Winters’ın Üstel Düzgünleştirme Yöntemi .............................. 80
3.3.2.8.1. Winters’ın Üstel Düzgünleştirme Yöntemi-Doğrusal
Trend ..................................................................................................
81
3.3.2.8.2. Winters’ın Üstel Düzgünleştirme Yöntemi-Üstel Trend ... 82
3.3.2.8.3. Winters’ın Üstel Düzgünleştirme Yöntemi-Yavaşlayan
Trend ..................................................................................................
83
3.3.2.8.4. Winters’ın Üstel Düzgünleştirme Yöntemi-Trendsiz ........ 84
3.4. Otoregressif Modeller Ve Hareketli Ortalamalar Yöntemleri ............. 85
3.4.1. AR(1) Modeli ............................................................................. 86
3.4.2. AR(2) Modeli ............................................................................. 90
3.4.3. AR(p) Modeli .............................................................................. 93
3.4.4. MA(1) Modeli ........................................................................... 96
3.4.5. MA(2) Modeli ............................................................................ 99
3.4.6. MA(q) Modeli ............................................................................. 101
3.4.7. ARMA(1,1) Modeli .................................................................... 102
viii
3.4.8. ARMA (p,q) Modeli ................................................................... 104
3.4.9. ARIMA (p,d, q) Modeli .............................................................. 107
3.4.10. Mevsimsel Otoregressif Hareketli Ortalama Yöntemi ............. 109
3.4.10.1. SAR(P) Modeli ................................................................... 110
3.4.10.2. SMA(Q) Modeli ................................................................. 112
3.4.10.3. SARMA(P,Q) Modeli ........................................................ 115
3.4.10.4. SARIMA(P,D,Q) Modeli .................................................... 117
3.4.11. Box Jenkins Model Kurma Yöntemi ........................................ 119
3.4.11.1. Model Belirleme ................................................................ 119
3.4.11.2. Modelin Tahmini ............................................................... 120
3.4.11.3. Modelin Uygunluk Testi ..................................................... 121
3.4.11.3.1. Hata Terimlerinin Otokorelasyon Fonksiyonu ............. 121
3.4.11.3.2. Box-Pierce Ve LJung –Box Testi ................................ 122
3.4.11.3.3. Bilgi Kriterleri ............................................................. 123
3.4.11.3.4. Tahmin Başarısını Ölçen Kriterler ................................ 124
3.4.11.4. Geleceğe Yönelik Tahmin ................................................. 126
3.5. Otoregressif Koşullu Değişen Varyans Modelleri ............................... 127
3.5.1. Koşullu Ve Koşulsuz Varyans ................................................... 128
3.5.2. ARCH Etkisinin Araştırılması .................................................. 133
3.5.2.1. Lagrange Çarpanı Testi ........................................................ 133
3.5.3. ARCH(p) Modeli ...................................................................... 134
3.5.3.1. ARCH Modelin Özellikleri .................................................. 135
3.5.3.2. ARCH Modelin Zayıf Yönleri .............................................. 137
3.5.4. GARCH(p,q) Modeli .................................................................. 138
3.5.4.1. GARCH Modelin Özellikleri ................................................ 140
3.5.5. ARCH Ve GARCH Modellerinin Maksimum Benzerlik
Tahmini .................................................................................................
141
3.5.6. IGARCH Modeli ......................................................................... 146
3.5.7. ARCH-M Modeli ........................................................................ 147
3.5.8. GARCH-M Modeli ..................................................................... 147
3.5.9. Asimetrik GARCH Modeller ...................................................... 148
ix
3.5.9.1. GJR GARCH / TARCH Modeli ........................................... 148
3.5.9.2. Üstel GARCH (EGARCH) Modeli ....................................... 150
3.5.10. ABSGARCH Modeli ................................................................ 151
3.5.11. TGARCH Modeli .................................................................... 152
3.5.12. Diğer ARCH/GARCH Modelleri ............................................. 153
3.5.12.1.Doğrusal Olmayan Asimetrik GARCH(NAGARCH)
Modeli ................................................................................................
153
3.5.12.2. Vektör GARCH (VGARCH) Modeli ................................ 153
3.5.12.3. Asimetrik GARCH (AGARCH) Modeli ............................. 153
3.5.12.4. Doğrusal Olmayan Logaritmik veya Çarpımsal ARCH
(Multiplicative ARCH) Modeli ..........................................................
154
3.5.12.5. Doğrusal Olmayan ARCH Model ....................................... 154
3.5.12.6. Fraksiyonel Bütünleşik ARMA/ARCH Model
(Fractionally Integrated ARMA / ARCH Model ARFIMA /
FIARCH) ............................................................................................
154
3.5.12.7. Üslü ARCH Modelleri (POWER ARCH-PARCH) ............ 156
4. PETROL SANAYİİNDE UYGULAMA ...................................................... 157
4.1. Petrol Sanayiinin Ülke Ekonomilerindeki Yeri ................................... 157
4.2. Dünyada ve Türkiye’de Rafineri Sektörü ............................................ 159
4.3. TÜPRAŞ .............................................................................................. 161
4.4. Değişkenlerin Belirlenmesi .................................................................. 164
4.5. Net Satışların Analizi ........................................................................... 165
4.5.1. Net Satışların Bileşenlere Ayrılması .............................................. 166
4.5.1.1. Trendin Belirlenmesi ................................................................ 166
4.5.1.2. Mevsim Etkisinin Belirlenmesi ................................................ 167
4.5.1.3. Konjonktür ve Arızi Faktörlerin Belirlenmesi ......................... 167
4.5.2. Net Satışlara Düzgünleştirme Yöntemlerinin Uygulanması .......... 169
4.5.3. Net Satışların Otoregressif Ve/Veya Hareketli Ortalama
Yöntemiyle İncelenmesi ..........................................................................
171
4.6. Ham Petrol Fiyatlarının Analizi ........................................................... 182
4.6.1. Ham Petrol Fiyatlarının Bileşenlere Ayrılması .............................. 184
x
4.5.1.1. Trendin Belirlenmesi ................................................................ 184
4.5.1.2. Mevsim Etkisinin Belirlenmesi ................................................ 186
4.5.1.3. Konjonktür Ve Arızi Faktörlerin Belirlenmesi ........................ 187
4.6.2. Ham Petrol Fiyatlarına Üstel Düzgünleştirme Yöntemlerinin
Uygulanması ............................................................................................
190
4.6.3. Ham Petrol Fiyatlarının Otoregressif Ve/Veya Hareketli
Ortalama Yöntemiyle İncelenmesi .........................................................
192
Sonuç ................................................................................................................. 209
Kaynakça ........................................................................................................... 213
Ekler .................................................................................................................. 220
Özgeçmiş ........................................................................................................... 253
xi
TABLO LİSTESİ Tablo-1: Yıllara Göre Türkiyenin Ham Petrol İthalatı, İthalat ve GSYİH
İçindeki Payı-(1998-2007) ................................................................................
159
Tablo-2: Yıllara Göre Türkiye ve Dünyadaki Rafineri Kapasitesi (Milyon
Ton)....................................................................................................................
161
Tablo-3: TÜPRAŞ’ın Rafineri ve Depolama Kapasiteleri .............................. 162
Tablo-4: Tüpraş’ın Ham Petrol Temin Ettiği Ülkeler ve Miktarlar-(2004-
2007)
163
Tablo-5: TÜPRAŞ’ın Ürün Yelpazesi ............................................................. 163
Tablo-6: Yıllık Satışların Trend Fonksiyonu .................................................. 166
Tablo-7: Üçer Aylık Satışların Trend Fonksiyonu .......................................... 167
Tablo-8: Üçer Aylık Net Satışların Mevsim İndeksi ...................................... 167
Tablo-9: Yıllık Net Satışlar İçin Üstel Düzgünleştirme Yöntemleri ............. 170
Tablo-10: Üçer Aylık Net Satışlar İçin Üstel Düzgünleştirme Yöntemleri .... 170
Tablo-11: ARIMA(0,0,1) Modelinin Bilgi Kriterleri ...................................... 172
Tablo-12: Yıllık Net Satışlara ait ARIMA(001) Modeli ................................ 172
Tablo-13: ARMA (0,0,1) Modelinin ARCH-LMTest Sonuçları .................... 174
Tablo-14: Üçer Aylık Net Satışlar İçin Uygun Modellerin Bilgi Kriterleri .... 179
Tablo-15: Üçer Aylık Net Satışlara Ait ARIMA(010)(011) Modeli ............... 179
Tablo-16: ARIMA (0,1,0)(0,1,1) Modelinin ARCH-LMTest Sonuçları ......... 181
Tablo-17: Yıllık Ham Petrol Fiyatlarının Trend Fonksiyonu .......................... 185
Tablo-18: Mevsimlik Ham Petrol Fiyatlarının Trend Fonksiyonu .................. 185
Tablo-19: Aylık Ham Petrol Fiyatlarının Trend Fonksiyonu .......................... 186
Tablo-20: Mevsimlik Ham Petrol Fiyatlarının Mevsim İndeksi ...................... 186
Tablo-21: Aylık Ham Petrol Fiyatlarının Mevsim İndeksi .............................. 187
Tablo-22: Yıllık Ham Petrol Fiyatları İçin Üstel Düzgünleştirme Yöntemleri 191
Tablo-23: Mevsimlik Ham Petrol Fiyatları İçin Üstel Düzgünleştirme
Yöntemleri ........................................................................................................
191
xii
Tablo-24: Aylık Ham Petrol Fiyatları İçin Üstel Düzgünleştirme Yöntemleri
192
Tablo-25: ARMA Modellerinin Bilgi Kriterleri .............................................. 194
Tablo-26: ARMA(1,0,0) Modeli ...................................................................... 194
Tablo-27: ARMA (1,0,) Modelinin ARCH-LMTest Sonuçları ....................... 196
Tablo-28: ARMA Modellerinin Bilgi Kriterleri .............................................. 198
Tablo-29: ARMA(2,0,0) Modeli ...................................................................... 198
Tablo-30: ARMA (2,0,0) Modelinin ARCH-LMTest Sonuçları ..................... 200
Tablo-31: ARMA Modellerinin Bilgi Kriterleri .............................................. 202
Tablo-32: ARMA (1,0,0) Modelinin ARCH-LMTest Sonuçları ..................... 205
Tablo-33: Koşullu Değişen Varyans Modellerinin Bilgi Kriterleri ................. 205
Tablo-34: ARMA(1,0,0), ARCH(1) Modeli .................................................... 206
Tablo-35: ARMA (1,0,0) ARCH(1) Modelinin ARCH-LMTest Sonuçları .... 207
xiii
GRAFİK LİSTESİ Grafik 1: Tüpraş’ın Yıllık Net Satışları (1994-2007)………………………... 165
Grafik 2: Tüpraş’ın Üçer Aylık Net Satışları (1994:1-2007:4)……………… 165
Grafik 3: Yıllık Net Satışlar Üzerinde Konjonktür ve Arızi Faktörlerin Etkisi 168
Grafik 4: Net Satışlar Üzerinde Konjonktür ve Arizi Faktörlerin Etkisi
(1994:1-2007:4)……………………………………………………………….
169
Grafik 5: Yıllık Net Satışların Korelogramı………………………………… 171
Grafik 6: ARIMA(001) Modeline Ait Hataların Korelogramı……………… 173
Grafik 7: ARIMA(001) Modeline Ait Hata Karelerinin Korelogramı……… 174
Grafik 8: Üçer Aylık Net Satışların Korelogramı…………………………… 175
Grafik 9: Üçer Aylık Net Satışların İlk Farklar Serisi………………………. 176
Grafik 10: Üçer Aylık Net Satışların İlk Farklar Serisinin Korelogram…….. 176
Grafik 11: Üçer Aylık Net Satışların İlk Farklar ve Mevsimsel İlk Farklar
Serisi……………………...……………………...…………………….………
177
Grafik 12: Üçer Aylık Net Satışların İlk Farklar ve Mevsimsel İlk Farklar
Serisinin Korelogramı……………...……………………...…………………..
178
Grafik 13: ARIMA(010)(011) Modeline Ait Hataların Korelogramı……….. 180
Grafik 14: ARIMA(010)(011) Modeline Ait Hata Karelerinin Korelogramı.. 181
Grafik-15: Varil Başına Yıllık Ham Petrol Fiyatları 1994-2008 ..................... 182
Grafik-16: Varil Başına Mevsimlik Ham Petrol Fiyatları 1994:1-2008:4 ....... 183
Grafik-17: Varil Başına Aylık Ham Petrol Fiyatları 1994:1-2008:12 ............. 184
Grafik-18: Yıllık Ham Petrol Fiyatlarında Konjonktür ve Arızı Faktörler
(%) ....................................................................................................................
188
Grafik-19: Mevsimlik Ham Petrol Fiyatlarında Konjonktür ve Arızı
Faktörler (%) ....................................................................................................
189
Grafik-20: Aylık Ham Petrol Fiyatlarında Konjonktür ve Arızı Faktörler (%) 189
Grafik-21: Yıllık Ham Petrol Fiyatlarının Korelagramı .................................. 193
Grafik-22: Yıllık Ham Petrol Fiyatlarının İlk Farklarına Ait Korelogramı ..... 193
Grafik-23: ARMA(1,0,0) Modeline Ait Hataların Korelogramı ..................... 195
Grafik-24: ARMA(1,0,0) Modeline Ait Hataların Karelerinin Korelogramı .. 195
xiv
Grafik-25: Mevsimlik Ham Petrol Fiyatlarının Korelagramı .......................... 196
Grafik-26: Mevsimlik Ham Petrol Fiyatlarının İlk Farklarına Ait
Korelogramı ......................................................................................................
197
Grafik-27: ARMA(2,0,0) Modeline Ait Hataların Korelogramı ..................... 199
Grafik-28: ARMA(2,0,0) Modeline Ait Hataların Karelerinin Korelogramı .. 200
Grafik-29: Aylık Ham Petrol Fiyatlarının Korelagramı .................................. 201
Grafik-30: Aylık Ham Petrol Fiyatlarının İlk Farklarına Ait Korelogramı ..... 202
Grafik-31: ARMA(1,0,0) Modeline Ait Hataların Korelogramı ..................... 204
Grafik-32: ARMA(1,0,0) Modeline Ait Hataların Karelerinin Korelogramı .. 205
xv
GİRİŞ Geleceğe ait olayların tahmin edilmesi karar verme teorisini bir parçası haline
gelmesinden itibaren pek çok işletme için tahmin çok önemli olmuştur. Hükümetler
hava kirliliğini, su kirliliğini tahmin ederek bir çevre politikası, nüfus büyüklüğü,
işsizlik oranı, enflasyon oranı vb tahmin ederek sosyo-ekonomik bir politika
belirlemeye çalışırlar. Bir işletme ise satışlarını, maliyetleri, karını, insan kaynakları
ihtiyacını tahmin ederek rasyonel kararlar almayı amaçlar. Dolayısıyla ister hükümet
ister işletme olsun rasyonal kararlar için geçerli ve tutarlı tahminler yapmak
zorundadır.
İşletmelerin her fonksiyonunun gelecekle ilgili tahminlere ihtiyacı vardır.
Pazarlama departmanı; satış stratejisini planlayabilmesi için güvenilir tahminlere
ihtiyacı vardır. Örneğin promosyon çalışmaları için ürünlere olan toplam talebin
tahmin edilmesi kaçınılmazdır. Etkin bir reklam stratejisi için talebin çeşitli pazar
bölgelerine ve çeşitli müşteri gruplarına göre tahmini yapılmalıdır.
Finans departmanı işletmenin finansman ihtiyacı için faiz oranlarını tahmin
etmek zorundadır. Finans departmanının işletmenin likidite ve nakit akımını
düzenleyebilmesi harcamaların ve satış hasılatının tahmin edilmesine bağlıdır.
İnsan kaynakları yönetimi, işe alma ve eğitim programlarını oluşturabilmesi
farklı iş kategorilerine ait gerekli çalışan sayısını tahmin etmeyi gerekli kılar.
Bunlara ilave olarak insan kaynakları yöneticisi çeşitli alanlardaki iş gücü arzını,
devamsızlık oranını ve işgücü devir hızını yine tahmin etmesi gerekmektedir.
Üretim planlama departmanı her bir ürüne olan talebi bilmesi gereklidir. Bu
tahminler hafta veya ay bazında yapılmalıdır. Bu tahminler, işletmenin üretim
programlarının hazırlaması ve stok kontrol planlamasının yapılmasında yararlı
olacağı şüphe götürmez bir gerçektir. Her bir ürüne olan talebin tahmin edilmesi
sonucu hammadde gereksinimleri de ortaya çıkarılabilmektedir. Böylece hammadde
satın alımı planlanabilir. Üretim kaynaklarının planlanabilmesi için gerekli olan
kaynak miktarı ve fiyatı tahmin edilmelidir.
Kalite kontrolu üretim sürecinin davranışlarının tahmin edilmesini gerektirir.
Örneğin bir üretim sürecinde belli bir zaman sonra kusurlu parça sayısı artabilir.
Eğer üretim sürecinin davranışı tam olarak tahmin edilebilirse üretim süreci
1
durdurularak gerekli bakım onarım yapılabilir ve böylece kusurlu parça sayısı en aza
indirgenmiş olur.
Bir işletmenin üst yönetimi, işletmenin uzun dönem planları için genel
ekonomik şartların, fiyat ve maliyet değişmelerini, teknolojik değişmeleri, pazar
büyüklüğünü vb. lerini tahmin ederek işletmeyi geleceğe hazır hale getirebilir. Bu
gibi tahminler yatırımların planlanmasında ve gelecekte gerekli olan makine ve
teçhizatın belirlenmesinde kullanılabilir.
Tahmin edilen olaylar gelecekte gerçekleşecektir. Zaman serileri analiz
yöntemlerini tahmin amacıyla kullanan araştırmacı, tahmin edilen olayların gelecekte
de geçmiştekine benzer vuku bulacağını varsaymaktadır.
Bir zaman serisinin geçmiş yapısının ortaya çıkarılması iyi bir tahmin için
önemlidir. Bu yapıyı tanımlamak için zaman serisi trend, konjonktür, mevsim ve
arızi faktörler olmak üzere dört bileşene ayrılmaktadır. Trend, bir zaman serisinin
belli bir dönemdeki aşağı ve yukarı yönlü hareketleridir ve bu zaman serisinin
karakteristiğini ortaya çıkarır. Trend bir zaman serisinde uzun dönem artışı veya
azalışı gösterir. Trend hareketleri pek çok faktörün etkisi altındadır. Örneğin, belirli
bir endüstride uzun dönem satış hareketleri aşağıda listelenen faktörlerin bir, birkaç
veya tamamından etkilenebilir.1 Bu faktörler;
Endüstrideki teknolojik değişme,
Müşteri beğenilerinin değişmesi,
Kişi başına milli gelir artışı,
Nüfus artışı,
Pazar büyüklüğü,
Enflasyon veya deflasyon (fiyat değişmeleri)
Zaman serileri yukarıda sözü edilen bileşenlerden sadece birini içermezler.
Zaman serileri bu bileşenlerin herhangi bir kombinasyonu olabileceği gibi bu
bileşenlerin tamamını da içlerinde barındırabilirler. Bu nedenle, bir tane en iyi
tahmin modeli yoktur. Trend ve mevsim etkisinin kombinasyonunu barındıran bir
zaman serisini sadece trend kullanılan bir yöntem ile tahmin etmek uygun değildir.
1 Bruce L. Bowerman ve Richard T. O’Connell, Forecasting And Time Series: An Applied Approach, Third Edition, Duxbury Press, 1993, s.5.
2
Bu önemli sorunun ortadan kaldırılabilmesi için zaman serisinin yapısına uygun
tahmin modellerinin denenerek içlerinden uygun olan tercih edilmelidir. Yapılan
tahminler serinin geçmiş dönem yapısı ile karşılaştırılmalıdır.
Geleceği tahmin etmede pek çok tahmin teknikleri vardır. Bu teknikleri nitel
ve nicel olmak üzere iki ana gruba ayırmak mümkündür.
Nitel tahmin teknikleri subjektif tekniklerdir ve uzmanların gelecekteki
olaylar hakkındaki görüşlerine dayanır. Bu teknikler geçmiş verileri ya nadiren
kullanırlar veya hiç kullanmazlar. Örneğin, yeni bir ürünün piyasaya sunulduğunu
düşünelim. Böyle bir durumda bu ürün için herhangi bir geçmiş satış verisi yoktur.
Bu yeni ürünün satış tahmini için işletme uzman görüşüne veya satış ekibine
güvenmek zorundadır. Diğer bir durum, yeni bir teknoloji ortaya çıktıysa ve bu yeni
teknoloji uygulanmaya çalışılıyorsa böyle bir durumda da geçmiş verilere ihtiyaç
yoktur. Ayrıca geçmiş verinin yapısının değişmesi halinde de yine nitel tahmin
teknikleri kullanılabilir. Delphi yöntemi nitel tahmin tekniklerine örnek
gösterilebilir.2
Nicel tahmin teknikleri tek değişkenli ve çok değişkenli olarak iki gruba
ayırabiliriz. Tek değişkenli yöntemlerde tahmin değeri serinin cari ve geçmiş dönem
değerlerine bağımlı olmaktadır. Ayrıca bu yöntemlerde tahmin değeri zamanın bir
fonksiyonu olarakta ifade edilmektedir. Tek değişkenli zaman serilerinin analizi bu
gruba girmektedir. Çok değişkenli yöntemlerde ise genellikle bağımlı bir değişken ve
değişkenin aldığı değerleri açıklayan diğer değişkenler vardır. Bu değişkenlere
açıklayıcı değişken denmektedir. Çok değişkenli zaman serileri analizi ile regresyon
analizi bu tahmin grubuna girmektedir.3
Buraya kadar yapılan açıklamalardan anlaşılacağı üzere zaman serilerini
analiz etmenin; tanımlama, modelleme, tahmin ve kontrol olmak üzere dört temel
amacı vardır. Seriyi tanımlamak için serinin tanımsal istatistiklerinin hesaplanması
ve grafiğinin çizilmesi gerekmektedir. Zaman serilerini analiz etmenin ikinci amacı
zaman serisinin uygun bir modelini bulmaktır. Bir zaman serisini modellemek için
tek değişkenli yöntem kullanıldığında; serinin geçmiş dönem değerleri esas
alınmaktadır. Seriyi modellemek için çok değişkenli yöntem tercih edilirse, serinin
2 A.e., s.10. 3 Chris Chatfield, Time-Series Forecasting, Chapman&Hall/CRC, 2000, s.10.
3
sadece geçmiş dönem değerleri değil aynı zamanda diğer açıklayıcı değişkenlerin
cari ve geçmiş dönem değerleri de modelde yer almaktadır. Serinin gelecekteki
değerini tahmin etmek zaman serileri analizinin diğer bir amacıdır. Tek değişkenli
yöntemler ile tahminde geleceğin geçmişe benzeyeceği varsayımı yapılmaktadır.
Geleceğe yönelik iyi tahminler endüstride, ekonomide işleyen süreçleri kontrol etme
olanağı vermektedir. Örneğin güncel bir konu olarak, gelecekteki sigortalı çalışan
sayısı tahmin edilerek sosyal güvenlik kurumlarının mali durumunun nasıl olacağı
kontrol edilebilir.
4
1. İŞLETMELERDE PLANLAMA, TAHMİN VE ÖNEMİ Gelecek olayların ve şartların önceden tahmin edilmesi işletmecilikte olduğu
gibi makro ekonomi, mühendislik, biyoloji, tıp ve sosyal içerikli tüm alanlarda büyük
önem taşımaktadır. Geleceğin iyi tahmin edilmesi, bu geleceğe hazır olmak için
gerekli planlamanın yapılması ve politikaların belirlenip kararların alınmasına temel
oluşturmaktadır. Böylece tahminler gelecek için önceden tedbirlerin alınmasına
imkan vermekte ve gelecek endişesini azaltmaktadır.1
Yönetim, işletme amaçlarına etkili ve verimli bir şekilde ulaşmak üzere
planlama, örgütleme, yürütme, koordinasyon ve denetim fonksiyonlarının yerine
getirilmesi olarak tanımlanmaktadır.2 Bir işletme yönetiminin temel
fonksiyonlarından biri gelecek için planlamadır. İşletmenin uzun dönemdeki başarısı
geleceği görebilmek ve buna göre uygun stratejiler geliştirmesiyle yakından
ilişkilidir. Ekonominin içinde bulunduğu durumu iyi analiz etmek, iyi sezmek
yöneticiye kabaca bilgi verir veya gelecekte ne olacağını çok iyi hissettirebilir.
Ancak bu iyi hissedişi sayılara çevirmek zordur. Üç ay sonraki satışların ne olacağı,
hammadde fiyatlarının ne düzeyde olacağı ve buna bağlı olarak birim maliyetlerin ne
olacağı sadece sezmekle belirlenemez. Gelecekle ilgili sayısal değerleri
hesaplayabilmede, planlama yapabilmede en önemli aşama tahmindir.3
İşletmelerde yapılan tahminler işletmenin bölümleri arasında yüksek bir bağ
kurulmasına neden olmaktadır. Her bölümün tahminini diğer bölümler kendi
planlarını oluştururken kullanılabilmektedir. Örneğin pazarlama bölümünün yapacağı
satış tahminlerini; finans, üretim, insan kaynakları vb. bölümler planlarını
hazırlamada kullanmaktadırlar. Bu nedenle tahminlerde yapılacak bir hata sadece
ilgili bölümü değil işletmede diğer bölümleri de etkilemektedir. Mesela satışların
yanlış tahmin edilmesi durumunda; bütçe tahminleri, üretim harcamaları, nakit
akışları, stok düzeyleri, fiyatlar vb. bu olumsuzluktan etkileneceklerdir. Benzer
düşünceyle, bütçedeki bir yanlış tahmin, ürün geliştirmek, ekipman modernize
1 Neyran Orhunbilge, Zaman Serileri Analizi Tahmin ve Fiyat İndeksleri, Tunç Matbaacılık, İstanbul, 1999, s.1. 2 İsmet Mucuk, Modern İşletmecilik, Türkmen Kitabevi, 15.Baskı, İstanbul, 2005, s.140. 3 İsmail Hakkı Armutlulu, İşletmelerde Uygulamalı İstatistik, Alfa Basım Yayım, İstanbul, 2000, s.334.
5
etmek, işgücü temin etmek ve reklam harcamaları için gerekli olan fonların
değişmesine neden olacaktır.
Yönetimin örgütleme, yürütme, koordinasyon ve denetim faaliyetlerini
gerçekleştirebilmesi için her şeyden önce bir plana sahip olması gerekmektedir.
Tahmin ile bu kadar yakın ilişkili olan plan, planlama, planlama çeşitleri ve
planlamanın işletmelerdeki rolüne, yararlarına bu bölümde değinilmektedir.
1.1. Plan ve Planlama Günümüzde işletme içi ve dışı koşulların hızla değişmesi, yöneticileri
geleceğe dönük isabetli tahminler yapmaya zorlamaktadır. Bu durum planlamanın
önemini arttırmakta ve işletmeler ancak iyi bir planlama ile amaçlarına
erişebilmektedirler. Planlama yöneticilerin amaçları belirledikleri ve bu amaçlara
erişilmesi için gerekli yöntemleri tanımladıkları bir süreçtir.4 Plan ise bir karardır ve
kararlar toplamıdır. Bu karar ve kararların özelliği, gelecek zaman dilimleri
içerisinde ulaşılmak veya gerçekleştirilmek istenen belli nokta ve durumlara işaret
etmesidir. Buradan yola çıkarak plan; bugünden, gelecekte nereye ulaşılmak
istendiğinin, nelerin gerçekleştirilmek istendiğinin kararlaştırılması şeklinde
tanımlanabilir. Plan birden fazla kararı kapsayabilir. Planlama ise planı ortaya
çıkarmak için gösterilen çabaları, bir süreci ifade eder. Plan bir sonuç, planlama ise
bir süreçtir.5
Planlama çalışması ile;
- Ne yapılacak
- Kim yapacak,
- Ne zaman yapılacak,
- Nasıl yapılacak,
- Hangi kaynaklar kullanılacak,
- Neden yapılacak
4 İnan Özalp ve diğerleri, Yönetim ve Organizasyon, Anadolu Üniversitesi Açıköğretim Fakültesi Yayın No:521, 3.Baskı, 1997, s.60. 5 Tamer Koçel, İşletme Yöneticiliği:Yönetim ve Organizasyon, Organizasyonlarda Davranış, Klasik-Modern-Çağdaş ve Güncel Yaklaşımlar, 8.Baskı, Beta Basım Yayım Dağıtım, 2001, İstanbul, s. 87.
6
sorularının cevapları aranmaktadır. Ekonomik koşulların ve teknolojinin hızla
değişmesi nedeniyle geleceği tahmin etmek kolay değildir. İşletmenin yaşama ve
gelişme gücünü elinde bulunduran yöneticiler, işletmenin geleceğiyle ilgili kararları
almak zorundadırlar. Geleceğin ne olacağını tahmin etmek, işletmenin nereye
gittiğini, gelecek yıllarda faaliyetlerinin ne tür bir seyir göstereceğini sistematik bir
biçimde öngörmek, bu yükümlülüğün önemli bir kısmını oluşturur. Bu
yükümlülüğün yerine getirilmesi için planlama gerekmektedir. Planlama,
organizasyonun gelecekteki başarısı için amaçların belirlenmesi ve bu amaçlara
ulaşmak için gerekli işlerin ve kaynakların kullanımının kararlaştırılmasıdır.6
1.1.1. Planlamanın Özellikleri Planlama kapsamlı bir faaliyettir. Planlama faaliyeti işletmenin bütün yönetim
basamaklarını ve yöneticilerini ilgilendirir. Genelde işletmenin planlanmasının üst
yönetim tarafından yapıldığı düşünülür, oysa her basamakta yönetim faaliyeti ile
planlama faaliyeti yer alır. Planının genişliği ve zaman süresi farklı olmasına rağmen,
her işletme için planlama yapılır. Üst yönetim genel plan ile genel amaç ve
stratejileri belirler, fonksiyonel bölümler ise kendi bölümleri ile ilgili planları
hazırlar. Pazarlama, üretim, finans ve insan kaynakları bölümleri ana plan hedefleri
doğrultusunda kendi planlarını hazırlamakla yükümlüdürler. Bu temel fonksiyonel
bölümlere bağlı birimler ise bağlı bulundukları fonksiyonel bölüm planlarıyla
çelişmeyecek biçimde kendi planlarını hazırlar. Örneğin, pazarlama bölümünün
planları üst yönetim tarafında gerçekleştirilen ana plan hedefleri ile uyum içinde
olmalıdır. Satış bölümünün planları ise bağlı bulunduğu pazarlama bölümü
tarafından gerçekleştirilen pazarlama planlarıyla çelişmeyecek biçimde olduğunda,
yukarıdan aşağıya doğru bütün basamaklarda yer alan planlar birbirleriyle uyum
içinde olacaktır.7
Planlamanın iki temel özelliği vardır. Bunlardan ilki planlamanın geleceğe
dönük düşünme, değerleme, araştırma ve inceleme olmasıdır. İkincisi ise planlama
ile risk, amaç ve varsayımlar arasındaki ilişkiden söz edilmesidir.8
6 Özalp ve diğerleri, A.g.e., s.60-61. 7 A.e., s.61. 8 Koçel, A.g.e., s.89.
7
Planlamanın geleceği ilgilendirmesi, bu faaliyeti belirsizlik ile ilişkili hale
getirmektedir. Planlama gelecekte ulaşılmak istenen nokta veya durumların
belirlenmesi olduğuna göre, bu nokta veya duruma doğru giderken işletme içi ve
işletme dışı koşulların nasıl gelişeceğini tam olarak bilmek mümkün değildir.
Gelecekteki şartların ne olacağının bugünden bilinmemesi, planlamayı bir çeşit
geleceği tahmin işi haline getirmektedir. Bu belirsizlik durumu bilimsel tahmin
yöntemleri ve yaklaşımıyla ortadan kaldırılabilmektedir.9
Tahmin ile planlama çok yakından ilgilidir, fakat aynı şey değildir. Tahmin
olayların gelecekte almaları en olası şekil ve alternatiflerini bulmaya, olayların
yönünü kestirmeye çalışmakla ilgilidir. Planlama ise, olayların tahmin edilen bu şekli
veya gelişme yönü karşısında ne yapılacağının belirlenmesi işidir. Tahmin belirli
çevre koşulları ile ilgili olarak gelecekte ne olacak sorusuna, planlama ise gelecekte
bu en olası olay karşısında ne yapılacak sorusuna cevap verir.10
Olayların geçmişteki gelişme, trend ve özelliklerini inceleyerek belirli
varsayımlarla bunların gelecekte de tekrarlayacağını varsayan ve buna göre çeşitli
istatistik tekniklerle tahminlerde bulunmaya yarayan yöntemler planlamacılar
tarafından sıklıkla kullanılmaktadır. Tahmin işini yapanlar, yöneticinin bugünden
geleceğe dönük bazı tercihleri yapabilmesi için gerekli bilgi ve veriyi değerleyerek
mevcut kaynakların hangi yönde kullanılacağı kararında etkin bir rol
oynakmaktadırlar.11
Planlamanın çeşitli aşamalarında kullanılan tahmin yöntemlerine; başparmak
ilkesi, sezgiler, iş akış diyagramları, GANNT şemaları, başabaş analizleri, nakit
bütçesi, muhasebe hesap planı, bütçeleme, bugünkü değer analizleri, korelasyon
analizi, regresyon analizi, zaman serileri analizi, CPM, PERT, karar ağacı, istatistik
karar verme teknikleri, simülasyon, Delphi tekniği, senaryo yazma, stratejik analiz
örnek olarak verilebilir.
Planlamanın ikinci özelliğinin risk, amaç ve varsayımlar arasındaki ilişki
olduğunu daha önceden belirtilmişti. Yöneticinin karar ve uygulamalarında, amaç,
risk ve varsayımlar her zaman mevcuttur. Bütün bu hususları yönetici açık ve net
9 A.e., s. 89-90. 10 A.e., s.90. 11 A.e., s.90
8
olarak düşünüp değerlemese bile, aldığı kararlar ve yaptığı uygulamalar belirli
amaçlara yönelik olacak, belirli varsayımlara dayanacak ve belirli bir riskin göze
alınması kaçınılmaz olacaktır. Planlama, bu ilişkilerin açık ve net bir şekilde ortaya
konması, tartışılması, mümkün ölçüde bilimsel yöntemlerle değerlendirilmesi ve
sonunda rasyonel bir seçimin yapılması faaliyetini öngörmektedir.
1.1.2. Plan Yapmanın Nedenleri Planlamanın özü gelecekteki firsatları ve zorlukları görmek, bu fırsatlardan
yararlanmak ve zorluklarla mücadele etmektir. İç çevrede veya dış çevrede olsun
işletme ile ilgili olayların planlanması, yöneticinin günlük, haftalık ve aylık
faaliyetlerinin bir parçasıdır. Yöneticiler planlarını sürekli olarak gözden geçirerek
işletmenin geleceğini etkileyecek olan değişen koşullara, yeni bilgiye ya da yeni
durumlara uygun hale getirilmesi için planlarında değişiklik yapılması gerekip
gerekmediğini görmek amacıyla planlarını kontrol etmelidirler. Yöneticiler aşağıdaki
nedenlerle kendileri, işgörenleri ve çeşitli organizasyon birimleri için planlar
oluştururlar:12
- Belirsizlikleri ve değişmeleri dengelemek,
- İşletme faaliyetlerini bilinçli olarak belirlenmiş amaçlar dizisi üzerinde
odaklaştırmak,
- Gelecekteki faaliyetler için koordineli, sistematik bir yol göstericiye sahip
olmak,
- Etkin faaliyet ve tutarlılık yoluyla ekonomik etkinliği arttırmak,
- Gelecekteki faaliyetler için standartlar belirleyerek denetimi
kolaylaştırmak.
12 Özalp ve diğerleri, A.g.e., s.61-62.
9
1.1.3. Planlamanın Aşamaları Planlama faaliyetleri, birbirini izleyen aşamalardan oluşan bir süreç olarak ele
alınabilir. Doğal olarak yapılacak işleri ifade eden bu aşamalar farklı şekillerde
gruplandırılabilir. Basit olarak planlama şu dört aşamadan oluşur:13
- Amaçların saptanması,
- Varsayımların (dayanak noktalarının) belirlenmesi
- Alternatiflerin oluşturulması,
- En uygun alternatifin seçimi ve planın yapılması.
İlk aşamada işletmenin bütünü ve bölümleri için nelere öncelik verileceği,
politikalar, bütçeler, programlar ve stratejiler ile nelerin başarılacağı belirlenir.
İşletmenin veya yöneticinin başında bulunduğu birimin belirli bir zaman diliminde
neyi, ne kadar, nerede gerçekleştirmek istediği gibi konularda başlıca amaçlar olarak,
gelecek bir yıl içinde ulaşılacak satış, üretim miktarı, pazar payı vb. örnek olarak
verilebilir.14
Planın dayanak noktaları gelecekte karşılaşılması olası olaylar, geleceğe
yönelik tahminler, uygulanması muhtemel temel politikalar ve mevcut işletme
planları vb.dir. Böylece işletmenin içindeki ve dışındaki koşullar belirlenir.
Koşulların bir kısmı yöneticinin kontrolü dışındadır; fiyat politikası, işgücü devri,
piyasa payı gibi bazıları kısmen, üretim, satış ve benzerleri ise tamamen kontrolü
altındadır. Bu aşamada çeşitli tahminlerin yapılması önemlidir.15
Amaca ulaşmayı sağlayacak imkan, yol ve araçların belirlenmesi planlamanın
üçüncü aşamasını oluşturmaktadır. Amaca yönelik bütün alternatifler belirlenir ve
ayrı ayrı değerlendirilir. Alternatiflerin olumlu ve olumsuz noktaları incelenip,
amaçların ve temel varsayımların ışığında çeşitli faktörleri de tartarak karşılaştırması
yapılır. En kazançlı ama çok sermaye gerektiren, çok karlı ama çok riskli görünen
veya daha az karlı ama az riskli vb. seçenekler sözkonusudur. Her seçeneğin
yapılabilirliği, maliyeti, gerçekleştirileceği zaman gözönünde bulundurulmalıdır.
Yönetici veya planlamacı eldeki olanaklara göre amaca ulaşmak için en
uygun alternatifi seçerek bir karara varmalıdır. Bu karar belirli bir davranış biçiminin
13 Mucuk, A.g.e., s.140. 14 A.e., s.140. 15 A.e., s.140.
10
seçilmesi yolunda olumlu olabileceği gibi, plandan vazgeçme veya erteleme şeklinde
de olabilir.
Planlamada en büyük güçlük geleceği tahminle ilgilidir. Geleceği isabetli
tahmin etmek planda başarı için zorunlu olduğu kadar, aynı zamanda güçtür. Bu
alanda bilimsel yöntemlerden yararlanılır.16
1.1.4. Planlama ve Plan Çeşitleri Planlama süreci sonucu ortaya çıkan planlar çeşitli kriterlere göre farklı
şekillerde sınıflandırılabilirler. Sınıflandırma kriterleri olarak; planda kapsanan
zaman, tek kullanımlı olup olmama, planının tüm işletmeyi veya bölümleri ya da
bazı birimleri kapsaması ve hangi yönetim kademesine ait olduğudur.17
Gelecekle ilgili kapsadığı zamana göre;18
- Uzun vadeli planlar (5 yıl sonrasını),
- Orta vadeli planlar (1-5 yıl arasını),
- Kısa vadeli planlar (1 yıla kadar)
Kullanımının tek veya sürekli olmasına göre;19
- Tek kullanımlı planlar (program, bütçe, proje vb.),
- Sürekli planlar (amaç, politika, stratejik plan)
Kapsamına göre;20
- Genel işletme planları (tüm işletmeyi kapsarlar),
- Bölüm veya birim planları (üretim, pazarlama vb. planları veya belirli bir
mal grubu için planlar)
Yönetim kademesine göre;21
- Tepe yönetimince yapılan planlar (amaçlar, politikalar, stratejiler, uzun
vadeli stratejik planlar),
- Orta kademe yönetimince yapılan planlar ( tamamlayıcı amaçlar, bölüm
planları, politikaları ve stratejileri),
16 A.e., s.140-141. 17 A.e., s.137. 18 Koçel, A.g.e., s.97. 19 Mucuk, A.g.e., s.137. 20 A.e., s.137. 21 A.e., s.137.
11
- Alt kademe yönetimince yapılan planlar (kısa dönemli amaçlar, projeler,
tarifeler, iş programları)
şeklinde sınıflandırılabilir.
1.1.5. Planlamanın Yararları ve Sakıncaları Planlamanın başlıca yararları aşağıda gibi maddeler halinde özetlenebilir:22
- İşletmedeki bütün faaliyetleri amaca yöneltir. Amaç doğrultusunda
hareket edilmesi gereksiz tekrarları ve gecikmeleri önleyeceğinden, en az
giderle amaca ulaşılması sağlanmaktadır.
- Diğer yönetim fonksiyonlarının (örgütleme, yürütme, koordinasyon,
denetim) gerçekleştirilmesini kolaylaştırır. Örneğin denetimin yapılması
bütünüyle planlamaya ve planlama aşamasında belirlenen standartlara
bağlıdır.
- Tahminde uzmanlaşma sağlar. Planlama geleceğe dönük ve sürekli olarak
gelecekle ilgilendiği için, gelecekteki olayların tahmininde uzmanlaşma
sağlamaktadır.
- Kararlarda yol göstericidir. Planlama stratejiler, politikalar ve yöntemler
öngörmektedir. Politika ve yöntemlere uygun hareket eden yöneticiler
kararsızlık içine düşmez, daha doğru ve işletmeyi amacına ulaştıracak
kararlar alabilmektedirler.
- Belirsizlikleri azaltır. Dikaktli ve bilinçli bir şekilde pazarları, toplumu,
teknolojiyi ve endüstriyi incelemek suretiyle yapılan planlama gelecekteki
belirsizlikleri en aza indirgemektedir.
- Yöneticileri günlük işlerin ötesine geçirir. Planlama yöneticileri günlük
sorunların içerisinden kurtararak, işletmenin geleceğiyle ilgilenmelerini
sağlamaktadır.
- Kaynakların en iyi biçimde kullanılmasını sağlar. Program, bütçe, ve
proje gibi plan çeşitleriyle işletmenin bütün kaynaklarını israfa meydan
vermeden en verimli bir şekilde kullanılmasını temin etmektedir.
22 Özalp ve diğerleri, A.g.e., s.70-71.
12
- Yaratıcılık ve yenilik sağlamayı kolaylaştırır. İşletme içi ve dışı koşullar
değiştiğinde, yöneticiler yaratıcılıklarını kullanarak planda gerekli
düzenlemeleri yapmaktadırlar.
Planlamanın yukarıda sayılan yararlarının yanı sıra bazı sakıncaları da vardır.
Bu sakıncalar aşağıdaki gibi özetlenebilir.23
- Bazen plan, yapanların görüş açısı göstermekten ileriye gidemez.
Gerçeklerden kopuk bir planının uygulama değeri olamaz.
- Hedeflenen konulardan bazıları gerçekleşmeyebilir. Plan geleceğe
dönüktür ve geleceğin tahmini zordur. Plan dönemi uzadıkça, koşulların
hızla değişmesi, planı hedeften uzaklaştırabilir. Özellikle işletmenin
kontrolu dışındaki değişmeler, bazı hedeflerin gerçekleşmesini
engelleyebilmektedir.
- Geleceğe dönük önlemler gerektirir. Gelecekte tahmin edilen koşullara
göre işletmenin önlem alması gerekir. Değişmeye direnen işletmelerde
önlem alınması güçleşir.
- Standart uygulamalar getirir. Plan dışına çıkamayan kişilerin girişim
güçleri körleşir.
- Sürekli düzeltme gerektirir. Ekonomik koşulların ve teknolojinin hızla
değiştiği zamanlarda, planda sürekli düzeltmeler yapmak ve hızlı karar
almak gerekir.
- İşletme dışı gruplardan etkilenir. Devletin ekonomik politikasının
değişmesi ve tüketicilerin tercihlerindeki değişmeler, işletmenin planını
geçersiz duruma getirebilir.
- Zaman ve enerji kaybına yol açar. Planlama yapılması bazen uzun zaman
alır ve finansal imkanların harcanmasını gerektirir.
1.1.6. İyi Bir Planın Özellikleri İyi bir planda bulunması gereken genel özelliklerin belirtilmesi yöneticiler
için yararlı olacağına şüphe yoktur. Sözkonusu özellikler aşağıdaki gibi sıranabilir:24
23 A.e., s.72.
13
- Plan açık, seçik ve geçerli bir amaca yönelik olmalıdır. Plan, işletmenin
çeşitli düzeylerindeki yönetici ve işgörenlerince aynı şekilde anlaşılacak
tarzda ifade edilmelidir.
- Değişik uzmanlarca hazırlanan planların, bu uzmanların arasında etkin bir
haberleşme ile koordinasyon sağlanmalıdır. Örneğin, satışları planlayan
uzman, satış tahminlerini üretim plancısına bildirmeli, ikisinin çalışması
dengelenmelidir.
- Plan, işletmenin iç ve dış koşullarına uyabilecek şekilde esnek olmalıdır.
- Planlama, işletmenin çeşitli kademelerine yayılmalıdır. Alt kademelerde
daha ayrıntılı ve kısa süreli planlar hazırlanmalı, üst kademelere
çıkıldıkça planlar daha genel ve uzun dönemli olmalıdır.
- Plan, en uygun süreyi kapsamalıdır.
- Planın hazırlanması ve uygulanması rasyonellik ilkesine uygun olmalı,
fazla giderleri gerektirmemelidir.
- Planın ayrıntı düzeyi ve kapsayacağı zaman önemli olup, süreyi kısaltmak
yararını azaltırken, süreyi uzatmak da, isabet derecesini azaltır. Zira
ileriyi görme olanakları ksıtlıdır.
1.2. Üretim Planlama ve Kontrolu Üretim planlaması ile gelecekteki imalat faaliyetlerinin düzeyleri ve limitleri
belirlenmektedir. Üretim planlamanın temel verilerini; iş yeri düzeni, makine ve
işgücü kapasitesi, malzeme, satış tahminleri, stok kontrolu, metot geliştirme, zaman
standartları oluşturmaktadır.25 Bu veriler dikkate alınarak işletme amaçları
doğrultusunda üretim planları yapılır. Üretim planlarında öncelikli ele alınan bilgi
talep tahminleridir. Tüketicinin istediği ürünü istediği zamanda ve miktarda temin
edebilmek için talep tahminlerinin gerçekleştirilmiş olması gerekmektedir. Talep
tahminlerinin duyarlılığını zaman ve ayrıntıya inme derecesi belirlemektedir.
Tahminlerin kapsadığı zaman aralığı uzadıkça ve tahmin edilecek ürün sayısı arttıkça
24 Mucuk, A.g.e., s.141. 25 Bülent Kobu, Üretim Yönetimi, Avcıol Basım-Yayın, 10.Baskı, İstanbul, 199, s.415.
14
duyarlılık azalır.26 Bu sakıncayı ortadan kaldırmak için üretim planının
hazırlanmasında aşağıdaki prensiplere uyulması gerekmektedir.27
- Uygun planlama periyodunun seçimi,
- Uygun mamul gruplarının oluşturulması,
- Kısıtlayıcı faktörlerin gözönünde bulundurulması.
Bu prensiplere göre hazırlanmış bir üretim planı; belirli zaman aralıklarındaki
üretim miktarını, üretimin plana uygun yürümesini kontrol edecek araç ve yöntemleri
ve tüm fabrikayı kapsayan iş yükü dağıtım düzenini belirleyen önemli bir araç
olacaktır. Üretim planları; bir yandan tezgah başındaki işçiye o gün ne yapacağını
bildirirken, diğer taraftan her düzeydeki yönetici içinde bir kontrol aracı olacaktır.
Mal üreten bir işletmede bir üretim planının hazırlanması için yapılacak işleri
aşağıdaki gibi sıralamak mümkündür.28
- Üretim planının kapsayacağı zaman aralığı belirlenir. Bu zaman aralığı
genellikle aylık dilimler halinde bir yıllık dönem olmaktadır. Stok
düzeylerini, üretim hızını, ve kapasite durumunu kontrole yarayan bu plan
daha sonra üçer aylık dönemleri kapsayarak haftalık üretim programlarına
dönüştürülür.
- Ekonomik stok düzeyleri belirlenir. Stok politikalarına ve talep değişim
özelliklerine göre maliyetleri minimum yapan miktarlara emniyet stokları
eklenerek hesaplanmaktadır.
- Talep tahminleri yapılır. Plan dönemi içinde talebin aylara veya uygun bir
zaman aralığına göre değişimi ve minimum-maksimum düzeyleri
belirlenir.
- Plan dönemi başındaki ve sonundaki stok düzeyleri belirlenir.
- Başlangıç ve bitiş stokları arasındaki fark bulunur.
- Planlama dönemi içinde üretilmesi gereken miktar bulunur.
- Üretilmesi istenen miktar dönem dilimlerine dağıtılır.
26 A.e., s.415. 27 A.e., s.415. 28 A.e., s.415.
15
1.2.1. Talep Tahminleri Üretim planının hazırlanması için ne kadarlık bir üretim yapılacağının
bilinmesi gerekmektedir. Üretilmesi düşünülen ürüne ne kadar talep olacağı
bilinmeden herhangi bir planlama yapmak mümkün değildir. Hammadde, yedek
parça, yarı mamul, makine, işgücü, ve yatırım ihtiyaçlarının saptanmasında esas
alınan talep tahminleridir.29
Talep tahminlerini; zaman aralığı, kullanma amacı, mamul cinsi, hesaplama
tekniği gibi çeşitli kriterlere göre sınıflandırmak mümkündür. En yaygın
sınıflandırma tahminlerin kapsadığı zaman aralığına göre yapılanıdır.
Haftalık, hatta günlük olarak parça, malzeme ve mamul stoklarının kontrolu
veya montaj hattı iş programlarının hazırlanması amacıyla çok kısa vadeli tahminler
yapılmaktadır. Daha çok işletme içi verilerden yararlanılır.
Kısa vadeli tahminler genellikle 3-6 aylık bir süreyi kapsar. En uygun imalat
parti hacimlerini, tedarik zamanlarının ve sipariş büyüklüğünün saptanması amacına
yöneliktir. Ayrıca, makinelere iş yükleme ve işgücü ihtiyaçlarının belirlenmesine
katkı sağlamak amacıyla da kısa vadeli tahminler yapılır.
Tedarik süresi belirsiz veya uzun olan malzeme alımlarının, üretim prosesi
karmaşık mamullere ait imalat faaliyetlerinin, talebi mevsimsel dalgalanma gösteren
mamul stoklarının planlanması amacıyla orta vadeli tahminler yapılamaktadır.
Tahmin 6 aydan 5 yıla kadar olan bir süreyi kapsayabilmektedir.
İşletme tesislerinin genişletilmesi, yeni makinelerin alınması gibi yatırım
planlaması sözkonusu olduğunda uzun vadeli tahminlere gereksinim vardır. Uzun
vadeli tahminler genellikle 5 yıl veya daha uzun bir süreyi kapsamaktadırlar.
Talebin tahmin edilmesinde; tecrübe ve sezgisel yöntemler, ekonomik
göstergeler takip edilebileceği gibi istatistik tahmin tekniklerinden de yaygın bir
şekilde yararlanılmaktadır.30 Regresyon-korelasyon analizi, zaman serileri analizi en
sık kullanılan istatistik tekniklerdir. Regresyon karelasyon analizinde talebi etkileyen
faktörler açıklayıcı değişken, taleb ise bağımlı değişken olmaktadır. Zaman serileri
analizinde ise, trendin belirlenmesi, mevsim dalgalanmaları, konjonktür ve arızi
29 A.e., s.79. 30 A.e., s.83.
16
faktörlerin talep üzerindeki etkileri açığa çıkarılmaktadır. Yine talebin tahminin de
hareketli ortalamalar, üstel düzgünleştirme yöntemlerinden yararlanılmaktadır.
1.3. Finansal Planlama İşletmede finans yöneticisi, yapacağı finansal planlama ile gelecekteki
gelişmeleri tesadüfe bırakmamak için, bir takım tahmin ve değerlendirmeler yapar.
Gelecekte beklenen gelirlerin, harcamaların, giriş ve çıkış halindeki nakit akışlarının
düzenini belirler. Finansal plan bu yolda gereken tedbirleri önceden almaya yarayan
bir hesap sistemidir. Finansal planlamanın amaçları şunlardır:31
- İşletme faaliyetleri için gerekli fonları sağlamak,
- Fon temininde finansman maliyetini minimum kılmak,
- İşletmenin finansal yapısını değişen koşullara uydurmak,
- Sağlanacak nakit fazlalıklarını verimli kullanmak, olası mali açıklar için
önceden tedbir almak ve finansal dengeyi korumak.
Finans, işletmenin üretim ve pazarlama gibi temel fonksiyonlarından biridir.
Çünkü çeşitli ekonomik düzenlerde tüm ekonomik faaliyetler para ile yürütülür.
Finans yöneticisinin görevleri veya finans fonksiyonun başlıca konuları, finansal
tahmin ve planlama, finansal ihtiyaçları karşılayacak fonların bulunması ve elde
edilmesi, fonların yatırımı ve finansal denetim sayılabilir.32
Planlama, finans yöneticisinin görevinin ayrılmaz bir parçasıdır. Finans
yöneticileri, planlama fonksiyonlarını yerine getirirken bir planalama aracı olarak
bütçeleme tekniğinden geniş ölçüde yararlanmaktadırlar. Bütçeleme, önceleri
giderleri kontrol altında tutmak, sınırlamak amacıyla kullanılan bir araç iken,
günümüzde bütçeleme, yöneticilerin elinde işletmenin kaynaklarını en verimli, en
karlı şekilde kullanılmasını sağlamaya yönelik bir araçtır.33 Bütçe ile planlama
birbirini tamamlayan kavramlardır. Bütçe, planların sayılarla ifadesidir. Bütçeleme
ise işletmelerin belirlediklerin hedeflerin sayılarla gösterilmesidir. Bütçeleme,
planlamada kesinliğe yol açar ve işletmenin amaçlarına ulaşmasında önemli yararlar
sağlar. İşletme bütçeleri işletme amaçlarını gerçekleştirmek üzere kısa vadeli ve uzun
31 Mucuk, A.g.e., s.287. 32 A.e., s. 279. 33 Öztin Akgüç, Finansal Yönetim, Avcıol Basım-Yayın, 7.Baskı, İstanbul. 1998, s.165.
17
vadeli olarak iki türlü hazırlanabilir. Finansal planlama, kısa vadeli ve uzun vadeli
finansal planlama olarak iki grupta ele alınabilir. Bunlardan ilki, kısa vadeli bütçeler
ile iligili iken, ikincisi yatırım bütçeleri, diğer bir ifadeyle sermaye bütçelemesi ile
ilgilidir.34
Bütçelemeye, işletmenin temel amaçlarının saptanması ile başlanmalıdır.
İşletmenin temel amaçları uzun vadeli planını belirler. Uzun vadeli planın bir bölümü
işletme ile ilgili uzun süreli satış tahminlerini de kapsar. Uzun süreli satış
tahminlerinin yapılması, bir yerde işletmenin üretim bileşimi konusunda izlediği ve
izleyeceği strateji ile ilgilidir. İşletme ile ilgili kısa süreli satış tahminleri ve bütçeler,
ancak uzun vadeli planın çizdiği çerçeve içinde yapılabilir.35
Günümüzde kantitatif analiz teknikleri uygulanarak, bütçelerin hem esnekliği
hem de yararlılığı artırılmaktadır. Bütçelemede bilgisayarlardan yararlanma, tahmin,
model kurma, bunun yanı sıra olasılık analizi, doğrusal programlama, simülasyon
gibi tekniklerin kullanılması bütçelemenin yararlarını artırmaktadır.36
İşletmelerin gelecek yıllara ilişkin finansman gereksinmelerini tahmininde
proforma bilanço ve proforma fon akım tablosu olmak üzere iki yöntem
kullanılmaktadır. Proforma bilançonun hazırlanmasında ilk adım, geleceğe ait satış
tahminleri yapılması ve satış hacmi ile başlıca varlık kalemleri arasındaki ilişkinin
ortaya konulmasıdır. Satış tahminleri yapılmadan, gelecek dönemlerdeki varlık
tutarının sağlıklı şekilde belirlenmesi olanaksızdır. Uygulamada, işletmenin uzun
dönemli finansman gereksinimini, satış tahminlerini hareket noktası olarak alan
başlıca üç yöntem kullanılmaktadır: Satışların yüzdesi, oranlar, regresyon analizi.
Regresyon analizi işletmenin proforma bilançosu düzenlenirken kullanılabilecek
yöntemlerden biridir. Bu yöntem, satışlara doğrudan bağlı olan, satışlardan etkilenen
bilanço kalemlerinin tahmininde kullanılabilmektedir. Regresyon analizi yöntemi
kullanılırken bilanço kalemeleri bağımlı değişken, satışlar ise bağımsız değişken
olarak kabul edilmektedir. Satışlar ise zaman serileri analizi ile tahmin
edilebilmektedir. Örneğin alacaklar ile satışlar arasında geçmiş veriler kullanılarak
34 Mucuk, A.g.e., s. 288. 35 Akgüç, A.g.e., s.168. 36 A.e., s.170.
18
bir regresyon denklemi elde edilmekte ve daha sonra satış değeri regresyon
denkleminde yerine konarak alacak değeri tahmin edilmektedir.37
1.3.1. Kısa Vadeli Planlama ve Nakit Bütçeleri Kısa süreli finansal planlama işlemlerine nakit bütçeleri denilmektedir. Bu
bütçeler, işletmenin sadece bir dönemdeki finansman ihtiyacını değil, aynı zamanda
o dönem içindeki dağılımı ve dağılıma göre para gereksinimini göstermektedir. Kısa
süreli bu bütçelerin yapılmasının amacı, planlanan dönemde (yıllık, üç aylık, aylık,
haftalık) para giriş ve çıkışlarıyla ilgili olup, ihtiyaç duyulacak paranın ne zaman,
nerelerden, nasıl ve hangi maliyetlerle elde edilebileceğini araştırmak ve ortaya
koymaktır. İşletmelere para giriş ve çıkışlarını önceden tam ve doğru olarak
saptanması mümkün değildir, ama giriş ve çıkış tahminlerindeki hata payları ne
kadar düşük olursa, finans yöneticisinin alacağı kararlar o derece sağlıklı olacaktır.
Kısa süreli planlamanın iki temel amacı vardır.38 Bunlar;
- nakit açıklarını görmek ve ona göre gerekli önlemleri alarak ihtiyacın
karşılanmasını sağlamak,
- nakit fazlasını görmek ve ona göre verimli yatırım alanlarına yönelmektir.
1.3.2. Uzun Vadeli Planlama ve Sermaye Bütçelemesi Bir yıldan fazla süreler için hazırlanan işletme bütçelerine uzun vadeli işletme
bütçeleri denilmektedir. İşletmelerin uzun dönemde devamlı kar elde etmeleri için
büyüme amaçlarına uygun olarak satışlar, piyasa durumları, personel, duran varlıklar,
yatırım ve finansman unsurlarını esas alan uzun dönemli analize dayanan, uzun
vadeli planlar hazırlanmalıdır. Uzun vadeli işletme bütçeleri hazırlanırken gözönünde
tutulması gereken başlıca faktörler; işletmenin ekonomik büyüklüğü, ilgili sektörün
gelişme durumu, mevcut sermaye, siyasal sınırlamalar ve genel iş koşulları olarak
sayılabilir.39
37 A.e., s.178. 38 Mucuk, A.g.e., s.289. 39 A.e., s.289-290.
19
1.4. İnsan Kaynaklarının Planlanması İnsan gereksinimlerini karşılamak amacı ile mal ve hizmet üretimini
gerçekleştiren işletmelerin en önemli üretim girdilerinden birini işgücü
oluşturmaktadır. Bu nedenle üretim sürecinin planlanmasında işgücünün, ya da
gereksinim duyulacak personel sayısının planlanması da gerekmektedir.40
İnsan kaynakları planlaması; işletmeler açısından verimliliği, dolayısıyla
karlılığı etkileyen ve belirleyen temel öğelerden biridir. Bu planlama süreci yalnızca
personel sayısından tasarrufu gerçekleştirerek gider düşürücü bir rol oynamaz, aynı
zamanda işin niteliğine uygun işgören seçimini ve istihdamını sağlayarak üretim
sürecinin etkinleştirilmesini de sağlar.41
İnsan kaynaklarına yönelik her bir planlama işleminin temelinde, geçmişe ve
geleceğe dönük tahminler yatar. Planı yapan esas olarak söz konusu tahminleri,
işletmenin diğer alanlarındaki çalışmaları da gözönünde bulundurarak ve
gerektiğinde planlama modeline yansıtarak yapar.42 İnsan kaynakları gereksinmesine
ilişkin planlama yapılırken istatistik tahmin tekniklerinden yararlanılmaktadır. Bu
tekniklerde geçmiş verilerden yararlanılarak geleceğe yönelik tahminler elde edilir ve
bu elde edilen tahminler insan kaynaklarının planlanmasında kullanılmaktadır. İnsan
kaynakları planlamasında sıklıkla en küçük kareler yöntemiyle trendin tahmin
edilmesi ve regresyon analizinden yararlanılmaktadır. En küçük kareler ile trendin
tahmin edilmesinde zaman bağımsız değişken, çalışan bağımlı değişken olarak
kullanılmaktadır.
1.5. Zaman Serileri Analizinin İşletme İçin Yararları İşletmelerde planlama yapılırken işletme içi değişkenlerin yanı sıra işletmenin
faaliyet gösterdiği ekonomik çevreye ait değişkenlerin de analiz edilmesi ve
gerekiyorsa bu değişkenler için de tahmin yapılması önemlidir. Bilindiği gibi mikro
ve makro ekonomik değişkenler öncelikle ve genellikle zaman serileri olarak
40 Tuğray Kaynak ve diğerleri, İnsan Kaynakları Yönetimi, İ.Ü. İşletme Fakültesi İşletme İktisadı Enstitüsü Yayın No:406, İstanbul, 1998, s.83. 41 A.e., s.83. 42 A.e., s.99
20
düzenlenmektedirler. Bu nedenle söz konusu değişkenlere zaman serileri analizinin
uygulanması zorunlu hale gelmektedir.
Ekonomik zaman serilerinin analizinden beklenen çeşitli yararlar vardır.
Zaman serilerinin analizi ileriye dönük planlamanın temelini oluşturmaktadır. Çünkü
trendin incelenmesi olayın yıllık normal gelişmesinin ne kadar olduğu hakkında bir
fikir verir. Gelecekte, yıllar itibariyle, nasıl bir gelişme beklenebileceği hakkında
tahminler yapılmasına ve dolayısıyla bu gelişme için gerekli planların yapılmasına
olanak sağlar. Ayrıca, konjonktürün analizi bu normal seyir içinde hangi devrelerde
ne gibi dalgalanmalar beklenebileceği hususunda genel bilgiler sağlar. Mevsime
bağlı sanayi kollarında gerekli tedbirlerin alınması ve bağlantıların yapılması,
alımların, satışların, fiyatların, işgücü istihdamının, nakliye işlerinin mevsime göre
seyirinin bilinmesini gerektirir.43
Zaman serilerinin analizi, bir firma veya iş kolunun istatistik yönden normale
göre gerçek durumunu değerlendirmeyi mümkün kılar. Çünkü trend genel eğilimi,
mevsim indeksi de her yıl düzenli tekrar eden dalgalanmaları gösterdiğine göre, bu
ikisinin birleştirilmesi istatistik yönden firmanın beklenen durumunun bir ölçüsünü
oluşturur. Firmanın gerçek durumu beklenen seviye ile kıyas edilirse, işlerin beklenin
üstünde mi, yoksa altında mı seyrettiği konusunda bir neticeye varılabilir. Şayet
beklenen seviye aşılmışsa konjonktür bakımından bir yükselme devresinde
bulunulduğuna ve yine konjonktür sebebiyle yakında beklenenin altına düşüleceğine
sonucuna varılabilir. Veya işin içeriğine ve firmanın özelliğine göre başka gerekçeler
aranır. Fakat her durumda böyle bir istatistik ölçünün, işletme yöneticilerinin gerçek
durum hakkında karar vermelerini kolaylaştırmak bakımından büyük yararı vardır.
Aynı bilgilere kamu kesiminde (milli ekonomi ve sektör) planlama yapılırken de
gereksinim duyulmaktadır.44
Zaman serilerinin analizi sayesinde bir faktörün etkisini azaltmaya yönelik
tedbirler daha isabetli alınabilir ve daha etkili şekilde uygulanabilir. Mevsime bağlı iş
kolunda mevsim dalgalanmalarının şiddeti bilinirse, özellikle ölü sezonda bunların
olumsuz etkilerini azaltmaya yönelik tedbirler daha isabetle alınabilir. Mesala ölü
mevsimde satışların teşviki için uygulanacak fiyat indirimleri, mevsim etkisiyle
43 Kenan Gürtan, İstatistik ve Araştırma Metodları, Fatih &Yayınevi Matbaası, İstanbul, 1977, s.427. 44 A.e., s.427.
21
ortaya çıkan atıl kapasiteyi önleyecek şekilde yeni bazı maddelerin üretimine
geçilmesi ve tedbir ve programların düşünülmesi, uygulanması ve başarısı mevsim
faktörünün , trend ve konjonktürden ayrılmasına ve ölçülmesine bağlıdır.45
Zaman serilerinin analizi, ekonomik olayın seyrinin ve sebeplerinin daha iyi
anlaşılmasını, kavranmasını, yorumlanmasını ve ilerisi hakkında tahminler
yapılmasını mümkün kılar. Olayın bağlı olduğu trend, konjonktür ve mevsim gibi
faktörlerin birbirinden ayrılarak incelenmesi hem ekonomik gidişin kavranmasını,
hem de kısa vadeli olası gelişmelerin tahminini kolaylaştırır. Çünkü bu faktörlerin
hepsi aynı yönde ve derecede etki etmezler. Olayı bileşenlerine ayırarak yapılacak
tahmin, daha tutarlı sonuçlar alınmasına yardım eder. Hatta ileriye yönelik
tahminlerde yalnız incelenen değişkenin zaman serilerinin analizinden elde edilen
bilgilerle yetinilmeyip fiyat indeksleri, milli gelir, para arzı vs. gibi ekonomik
göstergelerinde analiz edilerek hesaba katılması tahminlerin isabetini artıracaktır.46
45 A.e., s.427. 46 A.e., s.427.
22
2. İSTATİSTİK TAHMİN TEKNİKLERİ Tahmin tekniklerini nitel ve nicel tahmin teknikleri olmak üzere iki ana gruba
ayırmak mümkündür. Nitel tahmin tekniklerinde tahmin, tecrübeye, uzman
görüşlerine dayanır ve bu teknikler bir veri setini ya nadiren kullanırlar veya hiç
kullanmazlar. Nicel tahmin tekniklerin de ise tahmin, verilerin yapısını açıklayabilen
istatistik modellere dayanmaktadır. Bu yöntemler kendi içinde ilişkiye dayanan
tahmin teknikleri ve zaman serileri analizi olmak üzere ikiye ayrılmaktadır.
2.1. İlişkiye Dayanan Tahmin Teknikleri İlişkiye dayanan tahmin teknikleri tahmin edilecek değişkeni etkileyen
değişkenlerin belirlenerek tahminin bu değişkenler yardımıyla yapılmasına
dayanmaktadır. İstatistik literatüründe regresyon analizi adı altında geçen bu tahmin
tekniğinde, tahmin edilecek değişkenle onu etkileyen değişkenler arasındaki ilişki
matematik bir fonksiyonla ifade edilmektedir. İşletmecilikte ilişkiye dayanan tahmin
teknikleri tahmin dışında politika belirlemeye imkan verdiği için yöneticilere büyük
yararlar sağlamaktadır.1
2.1.1. Regresyon Analizi Regresyon analizi bağımlı değişkenin, bir ya da birden fazla bağımsız
değişken arasındaki ilişkinin matematik bir fonksiyon şeklinde yazılmasıdır. Bu
fonksiyona regresyon denklemi adı verilmektedir. Bağımsız değişkenlerin çeşitli
değerlerine karşılık bağımlı değişkenin alacağı değerler regresyon denklemi
yardımıyla tahmin edilebilmektedir.
Korelasyon iki değişken arasındaki ilişkinin gücünü gösteren tek bir değerdir.
Değişkenler arasında ilişkinin yönü belirtilmediği sürece korelasyon değerinin
yorumu simetriktir.2 Ancak regresyon analizi yapılırken korelasyon katsayı
hesaplandığında ilişkinin yönü de belirlenmiş demektir. Artık korelasyon bağımlı
değişkenle bağımsız değişken veya değişkenler arasındaki ilişkinin gücünü derece
1 Orhunbilge, A.g.e., s.3. 2 Paul Newbold, Statistics For Business and Economics, Fouth Edition, Prentice Hall, 1995, s.442.
23
olarak gösteren ve yüzde olarak ifade edilen bir katsayıdır.3 Bağımlı değişken
üzerinde geliştirilecek politikaların belirlenmesinde korelasyon analizinden
yararlanılmaktadır. Bağımlı değişkeni en güçlü etkileyen bağımsız değişken politika
belirlemede öncelikle ele alınmaktadır. Korelasyon katsayısı (çoklu korelasyon
katsayısı hariç) aralığında yer alınır ve işaretiyle birlikte yorumlanır. Korelasyon
katsayısı +1’e yaklaştığında; sözkonusu bağımsız değişkenle bağımlı değişken
arasında aynı yönlü güçlü bir ilişki vardır. Yani bağımsız değişken değerleri artarken
bağımlı değişkenin almış olduğu değerlerde artmaktadır. Korelasyon katsayısı -1’e
yaklaşırsa; ilgili bağımsız değişkenle bağımlı değişken arasında ters yönlü güçlü bir
ilişki olduğu anlaşılır. Bağımsız değişkenin artan değerlerine karşılık bağımlı
değişkenin aldığı değerler azalmaktadır. Korelasyon katsayısı 0’a yaklaştığında
bağımlı değişkenle bağımsız değişken arasındaki ilişki zayıflamakta hatta iki
değişken arasında ilişki bulunmamaktadır.
1±
Regresyon analizini değişken sayısına, fonksiyon tipine, verilerin kaynağına
ve verilerin toplanma zamanına göre sınıflandırmak mümkündür.
Değişken sayısına göre;4
- Basit regresyon analizli (bir bağımlı, bir bağımsız),
- Çoklu regresyon analizi (bir bağımlı, birden çok bağımsız)
Fonksiyon tipine göre;5
- Doğrusal regresyon analizi,
- Doğrusal olmayan (eğrisel) regresyon analizi
Verilerin kaynağına göre;6
- Anakütle verileriyle regresyon analizi,
- Örnek verileriyle regresyon analizi
Verilerin toplanma zamanına göre;7
- Zaman serilerinde regresyon analizi,
- Çapraz kesit verilerinde regresyon analizi
3 Neyran Orhunbilge, Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. Basım ve Yayınevi, İstanbul, 2002, s.12. 4 A.e., s.12. 5 A.e., s.13. 6 A.e., s.13. 7 Spyros Makridakis, Steven C. Wheelwright ve Rob J. Hyndman, Forecasting Methods and Applications, Third Edition, John Wiley&Sons.Inc., 1998, s.187.
24
Son sınıflandırma kriterinde veriler ya zaman serisi olarak ya da çapraz kesit
verisi olarak derlenebilmektedir. Değişkenlerin farklı zamanlarda almış olduğu
değerlerin derlenmesiyle zaman serileri elde edilir ve ekonomik değişkenler genelde
bu tarz serilerdir.
Regresyon analizinde kullanılan bağımlı ve bağımsız değişken veya
değişkenler farklı kaynaklarda değişik şekilde tanımlanmaktadır. Bu tanımlamların
en çok kullanılanları aşağıda gösterilmektedir.8
Bağımlı Değişken Bağımsız Değişken
Açıklanan Değişken Açıklayıcı Değişken
Tepki Değişkeni Kontrol Değişkeni
Öngörülen Öngören
Regresand Regresor
İçsel Dışsal
2.1.1.1. Basit Doğrusal Regresyon Analizi Basit doğrusal regresyon analizinde, Y bağımlı değişkeninin tek bir bağımsız
değişken X ile arasındaki ilişkinin doğrusal fonksiyonla ifade edilmesine
dayanmaktadır.9 Değişkenler arasındaki ilişkinin yönü bağımsız değişkenden bağımlı
değişkene doğrudur. Örnek verileriyle çalışıldığında basit doğrusal regresyon
denklemi:
ebxay ++=
şeklinde yazılır. Denklemdeki a doğrusal fonksiyonun sabiti olup, x=0 olduğunda
regresyon doğrusunun dikey ekseni kestiği noktayı göstermektedir. b ise regresyon
doğrusunun eğimidir ve regresyon katsayısı adını almaktadır. Örnek verileri ile
çalışıldığından regresyon katsayısının anakütle için geçerliliğinin araştırılması
gerekmektedir. Yapılan hipotez testi10 sonucunda anakütle için geçerli olduğuna
karar verilen regresyon katsayısı yorumlanabilir. Regresyon katsayısı, bağımsız
değişkendeki bir birimlik değişmenin; bağımlı değişken üzerinde, bağımlı değişken
8 Aziz Kutlar, Uygulamalı Ekonometri, Nobel Yayın Dağıtım, Ankara, 2005, s.7. 9 Orhunbilge, A.g.e., s.16. 10 Ayrıntılı bilgi için, Neyran Orhunbilge, Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. Basım ve Yayınevi, İstanbul, 2002, s.34-37
25
cinsinden ne kadarlık bir değişme yaratacağını göstermektedir. Regresyon
katsayısının işareti pozitif ise bağımsız değişken bir birim arttırıldığında bağımlı
değişken b kadar artmaktadır. Regresyon katsayısının işareti negatif ise bağımsız
değişken bir birim arttırıldığında bağımlı değişken b kadar azalmaktadır. Yapılan
hipotez test sonucunda b katsayısı anakütle için geçerli değilse; bağımlı değişken ile
bağımsız değişken arasında herhangi bir ilişki sözkonusu değildir. Örnek regresyon
denkleminde yer alan e ise hata terimidir ve gözlem değerleri ile tahmin değerleri
arasındaki farkı göstermektedir. Tahmin edilen değer gözlem değerinden
küçük ise hata teriminin pozitif işaratli bir değer, tahmin edilen değer gözlem
değerinden büyük ise hata teriminin negatif işaratli bir değer olmaktadır. Tahmin
değeri ile gözlem değeri birbirine eşit olduğunda hata terimi 0 değerini almaktadır.
Bu şekilde tahminlerin gözlem değerlerinden tek tek ne kadar farklı olduğunu
belirlemek yerine, elde edilen regresyon denklemiyle yapılan tahminlerde ortalama
olarak ne kadarlık bir hata yapıldığının hesaplanması yorumlama açısından daha
yararlı olmaktadır. Bunun için söz konusu regresyon denkleminin standart hatası
bulunmaktadır.
( yy ′− )
11
( )
2n
yyS
n
1i
2ii
yx −
′−=∑=
Basit doğrusal regresyon denklemindeki a ve b katsayıları momentler
yöntemi, en küçük kareler yöntemi ve maksimum benzerlik yöntemiyle
bulunabilmektedir.12 Maksimum benzerlik yöntemi bölüm 3’te ele alınmaktadır. En
küçük kareler yöntemi katsayıların bulunmasında sıklıkla kulanılmaktadır. Yöntemin
esası pek çok alternatif arasından minimum hatayı verecek doğru denkleminin
bulunmasıdır.
( ) ( )∑ ∑ ∑= = =
⇒−−=′−=n
1i
n
1i
n
1i
2ii
2ii
2i imumminbxayyye
11 Orhunbilge, A.g.e., s.22. 12 R.L. Thomas, Modern Econometrics, Addison Wesley Longman, 1997, s.123.
26
Minimum hataların bulunabilmesi için yukarıdaki eşitliğin a ve b’ye göre
kısmi türevlerinin alınıp sıfıra eşitlenmesi gerekmektedir. Ara işlemlerden sonra
aşağıdaki normal denklemler elde edilmektedir. Denklemlerin çözümünden a ve b
katsayılarına ulaşılmaktadır.
∑ ∑ ∑∑ ∑
+=
+=2xbxaxy
xbnay
2.1.1.2. Doğrusal Olmayan Basit Regresyon Analizi Bağımsız değişkenle bağımlı değişken arasındaki ilişkinin doğrusal olmaması
durumunda regresyon denklemi, ikinci derece veya daha üst derecelerden fonksiyon
ile temsil edilmektedir.
e 2 .Derece fonksiyon cxbxay 2 +++=
edxcxbxay 32 ++++= 3. Derece fonksiyon
Fonksiyonlarda;13
a, sabit,
b, fonksiyonun eğimi,
c, eğimin değişme hızı,
d, bükümün derecesindeki değişme oranı
Katsayıların en küçük kareler ile bulunabilmesi için
eşitliğinin, ikinci derece fonksiyon için; a, b ve
c’ye göre, üçünücü derece fonksiyon için ise; a, b, c ve d’ye göre kısmi türevlerinin
alınıp sıfıra eşitlenmesi ve elde edilen normal denklemlerin çözülmesi
gerekmektedir. Katsayılar bulunduktan sonra anakütle için gerçerliliği test
edilmelidir. Regresyon denklemleri kullanılarak yapılacak tahminlerdeki standart
hata;
( )∑ ∑= =
⇒′−=n
1i
n
1i
2ii
2i imumminyye
( )
3n
yyS
n
1i
2ii
yxx2−
′−=∑= 2. Derece Fonksiyon
13 Orhunbilge, A.g.e., s.54-55.
27
( )
4n
yyS
n
1i
2ii
xyxx 32−
′−=∑= 3. Derece Fonksiyon
şeklinde hesaplanacaktır.
2.1.1.3. Çoklu Doğrusal Regresyon Analizi Özellikle ekonomi ve işletmecilik alanlarında herhangi bir bağımlı değişkeni
tek bir bağımsız değişkenle açıklamak mümkün değildir. Ekonomik değişkenler
kompleks değişkenlerdir. Birçok ekonomik değişken bir araya gelerek bir değişkeni
etkileyebildikleri gibi kendi aralarında da birbirlerini etkilemektedirler. Bu nedenle
tek bağımsız değişkenli regresyon analizi yapmak mümkün değildir. Birden fazla
bağımsız değişkenli analize çoklu regresyon analizi adı verilmektedir.14
Basit regresyon analizinde olduğu gibi bağımlı değişken Y, bağımsız
değişkenler ise, , , ........, ’dır. Bu değişkenler yardımıyla örnek verileriyle
çoklu regresyon denklemi,
1X 2X kX
exb.......xbxbay kk2211 +++++=
şeklinde yazılabilmektedir. Regresyon denkleminin katsayılarını en küçük kareler
yöntemi ile bulabilmek için eşitliğinin a, , ,
...., ’ya göre kısmi türevleri alınır ve ara işlemlerden sonra aşağıda gösterilen
normal denklemlere ulaşılmaktadır.
( )∑ ∑= =
⇒′−=n
1i
n
1i
2ii
2i imumminyye 1b 2b
kb
∑ ∑ ∑ ∑ ∑
∑ ∑ ∑ ∑ ∑∑ ∑ ∑ ∑ ∑
∑∑ ∑∑
++++=
++++=
++++=
++++=
2kkk22k11kk
k2k22221122
k1k21221111
kk2211
xb..........xxbxxbxayx...
xxb..........xbxxbxayx
xxb..........xxbxbxayx
xb..........xbxbnay
14 A.e., s.99.
28
Normal denklemlerin çözümüyle de regresyon denkleminin katsayıları
hesaplanmaktadır. Bilinmeyen sayısı ve denklem sayısı çoğaldıkça yerine koyma,
yok etme gibi işlemlerle normal denklemlerin çözümü kolay olmamaktadır.
Dolayısıyla katsayıların elde edilmesinde matrisler yardımıyla çözüm daha kolay
anlaşılmaktadır. Bunun için aşağıda bir dizi matris işlemleri gösterilmiştir.15 Bağımlı
ve bağımsız değişken için gözlenen değerleri X ve Y matrisleri ile, bilinmeyenleri b
matrisi ile,
, ,
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
nk2n1n
k22221
k11211
x...xx1..........
x...xx1x...xx1
X
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
n
2
1
y..
yy
Y
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
k
1
b..
ba
b
şeklinde gösterildiğinde,
⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
=
∑∑∑∑
∑∑∑∑∑∑∑∑∑∑∑
2kk2k1k
k222212
k121211
k21
T
x...xxxxx..........
xx...xxxxxx...xxxx
x...xxn
XX
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
∑
∑∑
yx..
yxy
YX
k
1T
[ ]k21T b...bbab =
matrisleri türetilir. Normal denklemler matris gösterim ile
XbXYX TT =
15 İsmail Hakkı Armutlulu, İşletmelerde Uygulamalı İstatistik, Alfa Yayınları, İstanbul, 2000. s.207.
29
olur. Bu matris eşitliğinden regresyon katsayıları matrisi b;
( ) ( )YXXXb T1T −=
şeklinde elde edilir.
Katsayılar hesaplandıktan sonra anakütle için geçerlilikleri araştırılır.
Regresyon denklemindeki , , ...., kısmi regresyon katsayılarıdır. ;
dışındaki diğer tüm bağımsız değişkenler sabit iken birim değiştirildiğinde
bağımlı değişken y’nin ne kadar değişeceğini gösterir. ; dışındaki tüm
değişkenler sabit iken bir birim değiştirildiğinde bağımlı değişken y’de
yaratacağı değişimi ifade etmektedir. Katsayıların işareti; + olduğunda bağımlı ve
bağımsız değişken aynı yönde, - olduğunda ise ters yönde değişmektedir. k adet
bağımsız değişkenle kurulan regresyon denklemiyle yapılacak tahminlerdeki
ortalama hata;
1b 2b kb 1b 1x
1x
2b 2x
2x
( )
1kn
yyS
n
1i
2ii
k...12.y −−
′−=∑=
şeklinde hesaplanmaktadır.
En küçük kareler yöntemiyle elde edilen regresyon denklemlerinin tahminlerde
kullanılabilmesi için katsayılarının analamlı olmasının yanı sıra aşağıda belirtilen
varsayımları da sağlaması gerekmektedir. Söz konu varsayımlar;
- Hata terimleri arasında otokorelasyon olmaması,
- Hata terimlerinin eşit varyanslı olması,
- Hata terimlerinin normal dağılması,
- Bağımsız değişkenler arasında çoklu doğrusal bağlantı olmaması.
Varsayımlardan ilk üçü hem basit hem de çoklu regresyon analizini, sonuncu
varsayım ise çoklu regresyon analizini ilgilendirmektedir. Varsayımlarının
sağlanamaması durumuyla karşılaşıldığında, gerekli çözümler yapılmalı ve ondan
sonra regresyon denklemi tahminlerde kullanılmalıdır.16
16 Varsyımlarla ilgili geniş bilgi için; Neyran Orhunbilge, Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. Basım ve Yayınevi, İstanbul, 2002, Studenmund, A.H., Using Econometrics: A Practical Guide, Third Edition, Addison-Wesley, 1997.
30
Katsayıları anlamlı ve varsayımları sağlayan regresyon denklemiyle bağımsız
değişken veya değişkenlerin çeşitli değerleri için tahmin yapılabilir. Yapılan bu
tahmin nokta tahminidir. Belirli bir güven derecesinde aralık tahminine dönüştürmek
için aşağıdaki işlemlerin yapılması gerekmektedir.
bağımsız değişkenlerin alacağı değerler
ve bu değerlerle bağımlı değişken y’nin nokta tahmini;
( ) [ k00201T
0 x...xx1X = ]
( ) bXy T0=′
elde edilir. Örnek verileriyle çalışıldığı için bu değere, katsayıların standart
hatalarıyla birlikte regresyon denkleminin standart hatasının da belirli bir olasılık
düzeyinde ilave edilmesi gerekmektedir.
( ) ( ) ( )01TT
0k...12.y XXXX1S*zveyatyY −+±′=
2.1.1.4. Lojistik Regresyon
Bağımlı değişkenin ikili, üçlü ve çoklu kategorilerde gözlendiği durumlara
birçok çalışma alanında yer verilmektedir. Bu şekilde kesikli bir özelliğe sahip
bağımlı değişkenlerin bazılarının başarılı-başarısız, olumlu-olumsuz, negatif-pozitif
gibi ikili bazılarının da hafif-orta-ağır, hiç-az-çok gibi üçlü olması durumunda
sonuca etki eden faktörlerin neler olduğunun ve bu faktörlerin hangilerinin önemli
olduğunun belirlenmesinde lojistik regresyon analizi kullanılmaktadır. Örneğin,
neden bazı işletmelerin başarılı, bazılarının başarısız olduğunun ya da neden bir
kişinin bir işletmenin müşterisi olduğunun, diğer işletmelerin müşterisi olmadığının
araştırılmasında lojistik regresyon analizinden yararlanılmaktadır. Her bir örnekte de
değişkenler belirli gruplara ayrılmaktadır.
Bu açıdan lojistik regresyon analizi, bağımlı değişkenin kategorik bir değişken
olması durumunda basit ve çoklu regresyon ve korelasyon analizine çözüm yolları
geliştiren bir analiz yöntemidir. Çünkü basit ve çoklu regresyon ve korelasyon
analizlerinde hataların dağılımının normal dağılıma uygunluk göstermesi ve hataların
varyanslarının eşit olması varsayımlarının sağlanması gerekmektedir. Bu
31
varsayımların sağlanamadığı kesikli veri setlerine basit ya da çoklu regresyon
analizleri uygulanamamaktadır.17 Bu açıdan bu tür yapıdaki veri setlerine normallik
ön koşulunun olmadığı lojistik regresyon analizinin uygulanması gerekmektedir.
Ayrıca lojistik regresyon analizi (normallik, ortak kovaryansa sahip olma gibi)
varsayımlardan sapma durumunda diskriminanat analizi ve çapraz tablolara bir
alternatif oluşturmaktadır.18
Lojistik regresyon analizinde iki şıklı (binomial), ikiden fazla şıklı
(multinomial) ve ordinal olmak üzere üç temel yöntem vardır.19 Veri yapılarına göre
ise kurulan lojistik modeller iki değişkenli ve çok değişkenli lojistik regresyon olmak
üzere iki türlüdür.
17 Kazım Özdamar, Paket Programlar İle İstatistiksel Veri Analizi 1, 4.Baskı, Kaan Kitabevi, İstanbul, 2002, s.623. 18 Hüseyin Tatlıdil, Uygulamalı Çok Değişkenli İstatistiksel Analiz, Akademi Matbaası, Ankara, 1996, s.289. 19 İkili, Ordinal ve Nominal Lojistik Regresyon.
32
2.2. Zaman Serileri Analizi Zaman serileri analizi ile tahmini yapılacak değişkenin şimdiki ve geçmiş
dönem değerleri kullanılarak, çeşitli yöntemlerle tahmin modeli elde edilmekte ve bu
modelin geçerliliği araştırıldıktan sonra değişkenin gelecek dönem değerleri tahmin
edilmektedir.
Bu başlık altında öncelikle zaman serileri analizinde sıklıkla kullanılan
kavramlar anlatılacak daha sonra tek değişkenli ve çok değişkenli zaman serileri
analiz tekniklerine değinilecektir.
2.2.1. Zaman Serilerine İlişkin Temel Kavramlar
2.2.1.1. Zaman Serileri Çeşitli değişkenlerin kronolojik sırayla elde edilen değerleriyle oluşturulan
düzenlemeye zaman serisi adı verilmekte ( n,....3,2,1t = olmak üzere
ve notasyonuyla gösterilmektedir.
n321 y,....y,y,y )
ty 20
Zaman içinde sürekli olarak kaydedilebilen verileri içeren serilere sürekli
zaman serileri, sadece belli aralıklarla elde edilebilen veriler içerenlere de kesikli
zaman serileri adı verilmektedir. Elektrik sinyalleri, voltaj, ses titreşimleri, sismik
hareketlerin ölçümü gibi mühendislik alanlarına ait seriler sürekli zaman serileri
tanımına uyarken, faiz oranı, satış hacmi, üretim miktarı gibi iktisadi seriler kesikli
zaman serileri tanımına uymaktadır.
Zaman serisi verileri gözlemlendikleri aralıklara, başka bir deyişle gözlem
sıklığına göre özel isimler alır. Zaman serisinin yılda bir kez gözlemlendiklerinde
yıllık, yılda iki kez gözlemlendiklerinde altı aylık, yılda dört kez yani her mevsim bir
kez gözlemlendiklerinde mevsimlik (üçer aylık veya çeyrek), yılın her ayı bir kez
gözlemlendiklerinde aylık, yılın her günü gözlemlendiklerinde günlük zaman serileri
olarak tanımlanmaktadır. Yıllık veriler, aylıkların toplamı (örneğin satış, üretimi,
ihracat, ithalat, vb.) veya aylıkların ortalaması (fiyat indeksleri, satış fiyatı, bölgelerin
ısı ve yağışları vbg.) şeklinde elde edilmektedir.21
20 Cem Kadılar, SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro Basımevi, Ankara, 2005, s.2. 21 Orhunbilge, A.g.e., s.53.
33
Mikro ve makro zaman serileri, zamana ve ona bağlı olarak değişen çeşitli
sosyo-ekonomik olayların etkisi altında kaldıklarından; trend (T), mevsimlik
dalgalanmalar (M), konjonktürel dalgalanmalar (K) ve Arızi Faktörler (A) olmak
üzere dört faktörden etkilenmektedirler. Trend, değişkenin uzun dönem eğilimini
göstermektedir. Değişkenlerin trendi artan, azalan veya değişmeyen özellikler
taşıyabilmektedir. Mevsimlik dalgalanmalar aylık veya mevsimlik verilerde ortaya
çıkmaktadır. Yıllık serilerde mevsimlik dalgalanmalar doğal olarak görünmez.
Mevsim etkisinde olan bir değişken yılın bazı aylarında veya mevsimlerinde yılın
diğer zamanlarına göre daha yüksek veya daha düşük değerlere ulaşmaktadır.
Konjonktür dalgalanmaları ekonominin refah, durgunluk, depresyon dönemlerinde
ortaya çıkan ve uzunluğu ekonomistlerce 3-5 yıl olduğu kabul edilen
dalgalanmalardır. Ekonomik değişkenlerin değeri refah döneminde trendinin
üzerinde, depresyon döneminde ise trendinin altında kalmaktadır. Arızi Faktörler,
genellikle deprem, sel, kuraklık gibi doğal afetler, savaş, siyasi karışıklıklar ve
kapsamlı işçi hareketleri gibi sosyal ve ekonomik nedenlerle ortaya çıkan
olaylardır.22 Bunların ne zaman, nasıl bir şiddet derecesi ile ortaya çıkacakları
önceden tahmin edilemez. Bu dört bileşenin zaman serisi değeri üzerinde toplamsal
veya çarpımsal bir etkisi olduğu kabul edilmektedir. Aylık bir zaman serisi toplamsal
olarak;
AKMTyt +++= n,......3,2,1t =
biçiminde, çarpımsal olarak ise;
A .K.M.Tyt = n,......3,2,1t =
şeklinde yazılabilmektedir. Yıllık zaman serilerinde doğal olarak yukarıdaki
gösterimdeki mevsim bileşeni (M) yer almayacaktır.
22 A.e., s.7-9
34
2.2.1.2. Gecikme İşlemcisi Zaman serilerinde dönem kaydırılması sonucu zaman serilerinin
gecikmelerine ait seriler elde edilir.23 Zaman serisi, , bir dönem kaydırıldığında
serisinin bir dönem gecikmeli serisi ; iki dönem kaydırıldığında serisinin
iki dönem gecikmeli serisi ; genel olarak k dönem kaydırıldığında serisinin k
dönem gecikmeli serisi oluşur. Eğer orijinal zaman serisi trende sahip ise bu
serinin k gecikmeli serisi orijinal seriyi k dönem sonrasından takip ederek yine
trende sahip olacaktır. Aynı şekilde mevsim etkisine sahip serilerin gecikmeleri de
mevsim etkisine sahip olurlar. Gecikme sayısı k çok büyük seçilmediğinde serilerin
gecikmeleri orijinal seri ile aynı yapıda olup yapısal bir değişiklik gecikmeli serilerde
görülmez.
ty
ty 1ty − ty
2ty − ty
kty −
Karmaşık modellerde işlemlerin kolay yapılabilmesi bakımından 1tt yLy −=
biçiminde tanımlanan L gecikme işlemcisi (Lag) kullanılmaktadır. Bu tanıma göre 2
gecikmeli bir seri şeklinde gösterilmektedir. k
gecikmeli bir seri ise olarak gösterilebilir.
2t1ttt2 yLy)Ly(LyL −− ===
tk yL
2.2.1.3. Fark Alma İşlemcisi Zaman serisinin zincirleme bir şekilde son değerlerinden belli bir dönem
önceki değerlerinin çıkarılması işlemine fark alma işlemi denilmektedir. Bu işlem
özellikle serideki değişimin yönünü ve büyüklüğünü görebilmek amacıyla yararlıdır.
Ayrıca fark alma işlemi sayesinde serideki trend ya da mevsimsel dalgalanmaları
yok etmek mümkün olmaktadır.24
Zaman serisinin birinci farkları,
1ttt yyy −−=Δ
işlemiyle elde edilmektedir. Bu işlemden de görüldüğü gibi serinin bir önceki
dönemdeki değerleri bir sonraki dönem değerlerinden çıkarılmaktadır. Serinin ikinci
farkları, ilk farklar serisine tekrar birinci farklar alma işleminin uygulanmasıyla elde
23 Kadılar, a.g.e., s.11. 24 A.e.,s.18.
35
edilmektedir. Başka bir yolda seriye doğrudan ikinci fark alma işleminin
uygulanmasıdır. Gecikme işlemcisi kullanarak ikinci farklar,
2t1ttt2
ttt2
t2
t2 yy2yyLLy2yy)LL21(y)L1(y −− +−=+−=+−=−=Δ
şeklinde elde edilebilir.
Mevsimlik fark işlemi, mevsimlik serilerde uygulanmaktadır. Bu işlem,
serinin son verilerinden mevsim periyodu kadar önceki verileri çıkartılarak
yapılmaktadır. Örneğin veriler aylık ise mevsim periyodu 12 olmakta ve birinci
mevsimlik fark;
t12
12ttt12 y)L1(yyy −=−=Δ −
olarak, üçer aylık verilerde ise mevsim periyodu 4 olmakta birinci mevsimlik fark;
t4
4ttt4 y)L1(yyy −=−=Δ −
şeklinde hesaplanabilmektedir. Serideki mevsim etkisi birinci mevsimlik farka
rağmen hala etkin ise bu durumda seriye ikinci mevsimlik fark alma işlemi;
s2tsttts
ts
tt2s
t2s yy2yyLyL2yy)L1(y
2
−− +−=+−=−=Δ
biçiminde uygulanmaktadır. Burada s mevsim periyodunu göstermektedir.
2.2.1.4. Beyaz Gürültü Serisi Bir zaman serisi sabit bir ortalamaya, sabit bir varyansa sahip ve gözlem
değerleri arasında bir ilişki olmayıp aynı ve benzer bir dağılıma sahip ise bu tür
seriye beyaz gürültü (white noise-mühendislikten gelen bir ifade) serisi
denilmektedir.25 Beyaz gürültü serisinin özellikleri;
0)y,y(Kov
)y(V
)y(E
ktt
2t
t
=σ=
μ=
+
şeklinde yazılabilir. Bu özelliklerin durağanlık koşullarından tek farkı kovaryans
teriminin sıfır olmasıdır. Dolayısıyla, beyaz gürültü serisi durağan bir seriden farklı
özellikler gösterir. Beyaz gürültü serisi rasgele hareketlere sahip modellenemez bir
seri iken durağan serilerin hareketlerinin belli bir sistematiği vardır ve bu nedenle
25 Chris Chatfield, The Analysis of Time Series: An Introduction, Fifth Edition, Chapman&Hall, 1996, s.31.
36
modellenebilmektedir.26 Beyaz gürültü serisinin tüm gecikmelerinde otokorelasyon
ve kısmi otokorelasyon değerleri önemsizdir.
2.2.1.5. Rassal Yürüyüş Süreci Rassal yürüyüş süreci (Random Walk Process) durağan olmayan bir zaman
serisidir. Bu tür serilerin ortalaması ve varyansı zamanla değişir.27 serisi rassal
yürüyüş sürecine sahip ise t zamandaki değeri bir önceki dönem değerine sıfır
ortalama ve sabit varyanslı hata terimi nin ilave edilmesi ile elde edilebilir.
ty
te
t1ttt
t1tt
eyyyeyy
=−=Δ+=
−
−
Başlangıç değeri sıfır olarak alınırsa süreci aşağıdaki gibi ifade edilir. ty
321323
21212
1101
eeeeyyeeeyy
eeyy
++=+=+=+=
=+=
.
.
.
2.2.1.6. Durağanlık Kavramı Bir zaman serisinin analizine başlamadan önce, o serinin zaman içerisinde
sabit olup olmadığının yani serinin durağanlığının araştırılması gerekir. Durağan
olmayan bir seri ile analizler yapıldığında analiz sonuçları yanlı olabilmektedir. Eğer
seri güçlü (strictly stationary-güçlü, tam, kesin) durağan ise serinin dağılım
fonksiyonu zaman içinde değişmemeli, yani aşağıdaki bileşik (jointly) olasılık
dağılım fonksiyonun eşitliği sağlanmalıdır.28
( ) ( )ktnk2tk1ttn2t1t y.....,,.........y,yFy.....,,.........y,yF +++=
26 Kadılar, a.g.e., s.24. 27 Chatfield, a.g.e., s.32. 28 Erkan Işığıçok, Zaman Serilerinde Nedensellik Çözümlemesi: Türkiye’de Para Arzı ve Enflasyon Üzerine Amprik Bir Araştırma, Uludağ Üniversitesi Basımevi, Bursa, 1994, s.47.
37
Bu özelliğin uygulamalarda sağlanabilmesi oldukça güçtür. Bu nedenle durağanlık
kavramı genellikle zayıf durağanlık biçiminde ele alınmaktadır. Eğer bir seri durağan
ise bu serinin beklenen değeri ve varyansı sabit, kovaryansı zamandan bağımsız
sadece gecikme sayısına dayalı olmalıdır. Dolayısıyla,
kktt
2t
t
)y,y(Kov)y(V
)y(E
γ=σ=
μ=
+
eşitliklerinin tamamı sağlanmalıdır. Eğer bir seri trende sahip ise bu serinin beklenen
değeri ya da bir başka ifadeyle ortalama düzeyi genellikle zamana bağlı olacak ve
serinin gözlemleri arasında da bir ilişki olacaktır. Bir başka deyişle elde edilen son
gözlem bir önceki ya da daha önceki gözlemlerden etkileniyor olacaktır.
Durağanlığın araştırılmasında otokorelasyon fonksiyonunun grafiği incelenebileceği
gibi birim kök testleri de kullanılabilir.
Eğer bir seri d kez fark (difference) alınarak durağan hale geliyorsa bu
serilere fark durağan seriler adı verilmektedir. Bu seriler ayrıca d’inci dereceden
bütünleşik seriler adını da almakta I(d) biçiminde gösterilmektedir. Eğer bir seri fark
alma işlemiyle durağan hale getirilmiyor onun yerine regresyon analizi ile
incelenebiliyorsa, başka bir deyişle regreyon varsayımları sağlanıyorsa bu tür serilere
trend durağan seriler denmektedir.29
2.2.1.7. Otokovaryans Fonksiyonu Otokovaryans fonksiyonu değişkenlerin momentleri kullanılarak tahmin
edilmekte ve iki tesadüfi değişken arasındaki kovaryans,
( )( ){ })y(Ey)x(ExE)y,x(Kov −−=
şeklinde gösterilebilir. Benzer şekilde bir durağan bir zaman serisinin ve
gibi iki elemanı için otokovaryans teorik olarak,
ty kty −
( ) ( )( ){ })y(Ey)y(EyEy,yKov ktktttkttk −−− −−==γ
( ) ( )( ){ }μ−μ−==γ −− kttkttk yyEy,yKov
olarak gösterilmekte ve kγ otokovaryans olarak adlandırılmaktadır.
29 Kadılar, a.g.e., s.21
38
Stokastik sürecin özelliklerini saptamada önemli bir araç olarak kabul edilen
otokovaryans fonksiyonu uygulamada ....2,1,0k = için,
( )( )∑−
=− −−=γ
kn
1tkttk yyyy
n1
formülü kullanılarak elde edilmektedir.30 Formülde;
n, gözlem sayısı
y , serinin ortalamasıdır.
2.2.1.8. Otokorelasyon Katsayıları ve Otokorelasyon Fonksiyonu Otokorelasyon katsayıları farklı zamanlardaki gözlemler arasındaki ilişkiyi
gösteren katsayılar olup zaman serilerine ilişkin özelliklerin önemli bir göstergesi
olarak kabul edilirler. Otokorelasyon katsayıları, serinin geçmiş dönem değerleri
arasındaki korelasyonun, yani aralarındaki bağımlılığın ne derece olduğunu ortaya
koyarlar.31
Otokorelasyon katsayıları basit korelasyon katsayıları (bağımlı ve tek
bağımsız değişken arasındaki ilişkinin derecesini gösteren) gibi hesaplanmaktadır.
Tek fark bağımsız değişkenin incelenen değişkenin geçmiş dönem değerleri
olmasıdır. k gecikme ile otokorelasyon katsayıları;
( )
2y
2y
kttk
ktt
y,yKov
−σσ
=ρ −
formülü ile hesaplanabilmektedir. Zaman serisinin durağan olması durumunda payda
da yer alan dönemi varyansı ile ( )t ( )kt − dönemi varyansı eşit olmakta ve payda da
serinin varyansı yer alması nedeni ile ....2,1,0k = için,
( )2y
k2y
kttk
y,yKovσγ
=σ
=ρ −
şeklinde gösterilmektedir.
30 Işıl Akgül, Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, İstanbul, 2003, s.10-11. 31 A.e., s.12-22.
39
Otokovaryans fonksiyonunun farklı ölçme birimlerine dayanıyor olmasının yarattığı
olumsuzluğu ortadan kaldırmak ve normalleştirilmiş değerler elde etmek amacı ile
serinin otokorelasyonları elde edilmektedir. Otokorelasyon fonksiyonu,
0
kk γ
γ=ρ
olarak ifade edildiğinden serinin ölçme biriminden bağımsız olup sadece k
gecikmesine veya zaman farkına bağlı olmaktadır. Otokorelasyon fonksiyonu
grafiğine korelogram adı verilmektedir.
Otokorelasyon katsayılarının istatistik açıdan sıfırdan farklı olup olmadığının
test32 edilmesi sözkonusu olduğunda büyük örnekler için Varyans
t kk
ρ=ρ olarak
bilinen t benzeri testler kullanılabilmektedir.33 Örnek birim sayısı yeterli büyüklükte
olduğunda otokorelasyon katsayıları sıfır ortalama ve ⎟⎟⎠
⎞⎜⎜⎝
⎛ρ+ ∑
−
=
1k
1j
2j21
n1 varyans ile
yaklaşık normal dağılacaktır. Hesaplanan test istatistiği,34
2tk≤ρ olduğunda otokorelasyon katsayısı anlamsız
2tk>ρ olduğunda otokorelasyon katsayısı anlamlı
kararları %5 anlamlılık düzeyi için alınmaktadır.
Otokorelasyon katsayıları ’nin bir dönem önceki , iki dönem önceki
veya k dönem önceki değerleri arasındaki ilişkinin gücünü göstermektedir.
Bu katsayıların yüksek olması değişkenin geçmiş dönem değerlerine bağımlı
olduğunu, düşük olması ise değişkenin tesadüfi olduğunu gösterir. 4, 8, 12, .... ve 12,
24, 36 aylık kaydırmalarla hesaplanan otokorelasyon katsayılarının düşük olması ise
incelenen değişkenin mevsimlerden etkilenmediğini göstermektedir. Yüksek olması
da değişkenin mevsimlerden etkilendiğini ortaya çıkarmaktadır. Otokorelasyon
katsayılarıdan serinin tesadüfiliğin araştırılması, durağanlığın saptanması, durağan
ty 1ty −
2ty − kty −
32 OKK larının anlamlılıkları test etmek için kullanılan Box-Pierce ve Ljung-Box testleri Box-Jenkins Model Kurma Yönteminin Modelin Uygunluk Testi alt başlığında anlatılmıştır. 33 Orhunbilge, a.g.e., s.144. 34 Akgül, a.g.e., s.19.
40
olmayan serilerin durağanlaştırılması ve mevsim etkisinin ortaya çıkarılmasında
yararlanılmaktadır.35
2.2.1.9. Kısmi Otokorelasyon Katsayıları ve Kısmi Otokorelasyon
Fonksiyonu
Zaman serilerinde ile arasındaki korelasyonun büyük bir kısmının,
bu değişkenlerin arasındaki korelasyonun , , .... gecikmelerine sahip
olması nedeni ile olduğu ifade edilmektedir. Bu korelasyonları düzeltmek amacı ile
hesaplanan kısmi otokorelasyon katsayıları durağan bir değişkenin t ve t-k gibi iki
farklı dönemde birbirleri ile olan ilişkisini yani ve arasındaki ilişkiyi bu
zaman dönemleri arasında kalan diğer tüm dönemlerdeki t-1, t-2, ..... gibi
gecikmeleri dışlayarak veya sabit tutarak ortaya koymaktadır.
ty kty −
1ty − 2ty − 1kty +−
ty kty −
36 k gecikme için
hesaplanan kısmi otokorelasyon katsayıları, kısmi otokorelasyon fonksiyonunu
oluşturmaktadır.
Kısmi otokorelasyon katsayıları aşağıdaki formüllerle hesaplanmakta ve
gerekli testler yapıldıktan sonra otoregressif modellerin derecesi belirlenmektedir.37
1kk ρ=ρ 1k = ise
( )(
( )( )
)
∑
∑−
=−
−
=−−
ρρ−
ρρ−ρ=ρ 1k
1jjj,1k
1k
1jjkj,1kk
kk
1 ,.....3,2k = ise
jk,1kkkj,1kkj −−− ρρ−ρ=ρ 1k,.......2,1j −=
Burada,
; k dönem gecikmeli otokorelasyon katsayısı, kρ
; k dönem gecikmeli iki zaman serisi arasındaki kısmi otokorelasyon
katsayısıdır.
kkρ
Örneğin k=2 ve k=3 için kısmi otokorelasyon katsayıları aşağıda gösterildiği
gibi hesaplanabilmektedir.
35 Orhunbilge, a.g.e., s.140. 36 Akgül, a.g.e., s.23. 37 Orhunbilge, a.g.e., s.146.
41
( )( )
( )( ) 111
111212
1jjj,12
j2
12
1jj,122
22 11 ρρ−ρρ−ρ
=ρρ−
ρρ−ρ=ρ
∑
∑−
=−
−
−
=−
11221121 ρρ−ρ=ρ
( )( )
( )( )( )( )222121
122221313
1jjj,13
13
1jj3j,133
33 11 ρρ+ρρ−ρρ+ρρ−ρ
=ρρ−
ρρ−ρ=ρ
∑
∑−
=−
−
=−−
Kısmi otokorelasyon katsayılarının testi t benzeri testlere göre yapılmaktadır.
Kısmi otokorelasyon katsayılarının test istatistikleri aşağıdaki formül yardımıyla
hesaplanır.
n/1
t kkkk
ρ=ρ
Karar aşamasında kk
t ρ değerlerinin 2’ye eşit ve küçük mü yoksa büyük mü olduğu
araştırılır. 2’den büyük t değerlerine sahip olan kısmi otokorelasyon katsayılarının
anlamlı olduğuna diğer durumlarda ise anlamsız olduğuna karar verilmektedir.38
Bütünleşik Otoregressif ve Hareketli Ortalama (ARIMA) yönteminin
uygulanmasında otokorelasyon fonksiyonu ve kısmi otokorelasyon fonksiyonuları;
belirleme safhasında, durağanlık sağlanması sırasında fark alma düzeyi belirlerken,
mevsim etkisi analiz edilirken, denenen modelin seçimi sırasında, tahmin sırasında
ve hata terimlerinin analizi sırasında kullanılmaktadır.39
2.2.2. Tek Değişkenli Zaman Serileri Analiz Teknikleri Tek değişkenli zaman serileri modelleri bölüm 3’te ayrıntılı olarak
anlatılacağından burada sadece isimleri anılmıştır. Tahmin için sıklıkla kullanılan tek
değişkenli modeller; en küçük kareler yöntemiyle trendin belirlenmesi, hareketli
ortalamalar, üstel düzgünleştirme yöntemi, otoregressif modeller, hareketli ortalama
yöntemi, otoregressif ve hareketli ortalama yöntemi, varyansın modellenmesinde de
koşullu değişen varyans modelleri sayılabilmektedir. 38 A.e., s.148. 39 Akgül, A.g.e., s.27.
42
2.2.3. Çok Değişkenli Zaman Serileri Analiz Teknikleri Tek değişkenli zaman serileri, bilindiği gibi kendi geçmiş değerlerinin bir
fonksiyonu olarak modellenmektedir. Fakat, bir zaman serisi kendi geçmiş değerleri
ile birlikte başka değişkenlere de bağlıdır. Yani aynı konuyla ilgili olarak, aynı anda
iki veya daha fazla özellik zaman serisi olarak gözlenebilmektedir. Örneğin
meteoroloji konusuyla ilgili olarak; sıcaklık, hava basıncı ve yağış miktarı gibi çeşitli
özellikler aynı zaman aralıkları kullanılarak birlikte ölçülmektedir. Ekonominin
gidişatıyla ilgili olarakta pek çok ekonomik değişken değeri düzenli aralıklarla
toplanmaktadır. Mesela, işsizlik oranı, eflasyon, fiyat indeksleri, ihracat, ithalat,
gelir, gider vbg. Bu değişkenlerin her birini tek tek analiz etmek yapılarını ortaya
çıkarmak ve gelecek değerlerini tahmin etmek mümkündür. Ancak bu ekonomik
değişkenler birbirleriyle çok yakın ilişkilidir. Bu ilişkinin incelenmesi geleceğe
yönelik tahmin ve politlika belirleme açısından oldukça yararlıdır.40 Bu ilişkinin
araştırılmasında akla regresyon analizi gelebilir ancak, regresyon analizindeki
bağımsız değişkenin bilinen değişken olması gerekir. Halbuki zaman serilerinde söz
konusu değişkenlerin stokastik olması ile beraber bu değişkenlerin hem kendi geçmiş
değerlerine hem de diğer değişkene bağlıdır. Dolayısıyla regresyon analizinin temel
varsayımları sağlanamamaktadır.41
Çok değişkenli zaman serilerinin analizinin temel amaçlardan biri olan
değişkenler arasındaki ilişkinin ortaya çıkarılması esnasında serilerin durağan olması
gerekmektedir. Ancak bazı durumlarda, seriler durağan olmamasına rağmen,
herhangi bir doğrusal bileşimi durağan olabilmektedir. Zaten çok değişkenli zaman
serilerinde istatistik sonuç çıkarımları bu doğrusal bileşim üzerinde yapılmaktadır.42
Bu aşamada, çok değişkenli zaman serileri analizinde sıklıkla kullanılan
koentegrasyon analizi ve vektör otoregressif modeller hakkında kısa bilgiler
verilmektedir.
40 Chris Chatfield, The Analysis of Time Series: An Introduction, Fifth Edition, Chapman&Hall, 1996, s.216. 41 Yılmaz Akdi, Zaman Serileri Analizi; Birim Kökler ve Kointegrasyon, Bıçaklar Kitebevi, Ankara, 2003, s.249. 42 A.e., s.249.
43
2.2.3.1.Koentegrasyon Analizi Durağan olmayan zaman serileri ile ekonometrik analizlerde karşılaşılan en
önemli sorun, değişkenlerin durağan olmamalarından dolayı sahte regresyona neden
olmalarıdır. Bundan dolayı analizlerde elde edilen t, F vb. test sonuçları gerçekte
anlamlı olmadığı halde anlamlı gözükmektedir. Değişkenler arasındaki gerçek
ilişkiyi ortaya koyabilmek için serilerin durağan hale getirilmesi gerekmektedir.
Genellikle zaman serilerinin birinci ve ikinci farkları alındığında durağan hale
gelmektedir. Serinin logaritması alınarak veya logaritmik farkı alınarakta durağanlık
sağlanmaktadır. Ancak bu fark alma işlemleri sırasında serideki geçmiş dönemlere
ait şokların etkisi ve uzun dönemli ilişkilerin ortadan kalkmasına neden olmaktadır.
Koentegrasyon analizi ekonomik değişkenler arasında uzun dönem denge
ilişkisinin varlığının saptanmasında ve test edilmesinde kullanılmaktadır. ve
durağan olmayan iki zaman serisi olmak üzere;
tx ty
ttt exy +β+α=
ttt xye β−α−=
modeli kurulduğunda değişkenler arasında sahte regresyon sonucu çıkmaktadır.
Böyle bir durumda t ve F istatiklerinin sonuçları güvenilir değildir. Her iki seride
birinci dereceden entegre iseler yukarı doğru eğilim gösteren rassal yürüyüş sürecine
sahip olmaktadırlar.
, ve ’nin doğrusal bir kombinasyonu olup, dengesizlik hatası olarak
isimlendirilmektedir. Engle ve Granger ve arasında uzun dönem ilişki
mevcutsa bu dengesizlik hatasının nadiren sıfır çizgisinden uzaklaşacağını,
çoğunlukla da bu sıfır çizgisini keseceğini belirtmektedirler.
te ty tx
ty tx
43 Dengesizlik hatası
sıfır çizgisi üzerinde devamlı dalgalanan bir çizgidir. Eğer değişkenler arasında uzun
dönemli bir ilişki sözkonusu ise dengesizlik hatası durağan bir zaman serisi olacaktır.
ve ’nin doğrusal bileşimi durağan ise bu iki seri birbirleyle koentegre olmakta
ve β bu koentegrasyonu gerçekleştiren parametredir.
ty tx44
43 Thomas, A.g.e., s.424. 44 Göktaş, Özlem Teorik ve Uygualamalı Zaman Serileri Analizi, Beşir Kitabevi, İstanbul, 2005, s.113.
44
Durağan olmayan birden fazla ekonomik zaman serisinden bir model kurmak
oldukça zordur. Koentegrasyon analizi bu soruna bir çözüm üretmektedir. Analize
ilişkin test ve tahmin yöntemlerini tek denklemli modeller (Engle-Granger İki
Aşamalı Koentegrasyon Yöntemi) ve denklemler sistemine sahip modeller (Johansen
Koentegrasyon Yöntemi) olarak iki gruba ayırmak mümkündür. Koentegrasyon
ilişkisi tek denklemli modellerde en küçük karelere, denklem sistemine sahip
modellerde ise en çok çok benzerlik yöntemine dayanmaktadır.
Koentegrasyon yönteminde;
- Koentegrasyon durağan olmayan değişkenlerin bir doğrusal bileşimidir.
- Bütün değişkenler aynı dereceden entegre olmalıdır. Değişkenlerin
durağanlık dereceleri faklı ise koentegre olamazlar.
- Koentegrasyonu gerçekleştiren vektör sayısı modelde yer alan
değişkenlerin sayısının bir eksiği ile belirtilmektedir.
2.2.3.1.1. Engle-Granger’ın İki Aşamalı Koentegrasyon Yöntemi
Yöntemin ilk aşamasında ve değişkenlerinin durağan olup olmadıkları
ve kaçıncı dereceden durağan oldukları araştırılmaktadır. Durağanlığın
araştırılmasında Dickey-Fuller, Genelleştirilmiş Dickey-Fuller veya Phillips-Perron
birim kök testleri kullanılabilmektedir.
ty tx
45 Her iki serinin seviyelerinde durağan değil
ancak, durağanlık derecelerinin aynı (örneğin 1.dereceden durağan) olduğuna karar
verildikten sonra, ttt exy +β+α= regresyon denklemi en küçük kareler yöntemiyle
elde edilir. Regresyon denkleminin hata terimi olan ’nin durağan olup olmadığı
birim kök testleri yardmıyla test edilir. Eğer hata terimi seviyesinde durağan ise bu
iki değişken koentegredir.
te
Yöntemin ikinci aşamasında hata düzeltme modeli belirlenmektedir. Bu
model ekonomik bir değişkenin kısa ve uzun dönem ilişkilerini uyumlaştırma aracı
olmaktadır. Regresyon denkleminden elde edilen hata terimleri hata düzeltme
modelinde kullanılmaktadır. Böylece değişkenler arasındaki uzun dönemli ilişki saklı
tutularak kısa dönemde meydana gelen dinamik ayarlamalar tahmin edilmektedir.
45 Ayrıntı için, Enders, Walter, Applied Econometric Time Series, John Wiley&Sons Inc., 1995.
45
Modelde yer alan iki değişken ve arasında uzun dönemde bir denge ilişkisi
olabilmekte, fakat kısa dönemde dengesizlik ortaya çıkabilmektedir.
ty tx46 Hata düzeltme
modelinde ve değişkenlerinin fark serileri ve ’nin ise gecikmeli değerleri
yer almaktadır. Buna göre hata düzeltme modeli,
ty tx te
t1t2t10t uexy +α+Δα+α=Δ −
şeklinde yazılabilir. , beyaz gürültü serisidir. tu 2α katsayısı uyarlama hızı olup
istatistik olarak anlamlı olduğunda bağımlı değişkende meydana gelen dengesizliğin
bir dönem sonra hangi oranda düzelebileceğini göstermektedir. İşareti + ise dengeden
uzaklaşma, - ise sapma uzun dönem değerine yaklaşmaktadır.
2.2.3.1.2. Johansen Koentegrasyon Yöntemi Engle-Granger yöntemi, hesaplanması ve uygulanması kolay bir yöntemdir.
Ancak bazı eksiklik ve güçlüklere sahiptir. Analizde yer alan her bir değişkene
ilişkin farklı denklemler tahmin edildiğinde (örneğin gibi),
değişkenin birine ilişkin eşitlikte koentegrasyon ilişkisine rastlanırken, diğer
değişkene ilişkin eşitlikte böyle bir ilişki gözlenmeyebilir. Bu durum değişkenler
arasında ilişkide bir belirsizlik yaratmaktadır. Ayrıca analizdeki değişken sayısı
arttıkça sözkonusu belirsizlikle yine karşılaşılmaktadır. Sözkonusu belirsizlikleri
ortadan kaldırmak amacıyla Johansen tarafından çoklu koentegre vektörlerini tahmin
eden ve en çok benzerlik yöntemine dayanan bir yöntem geliştirmiştir.
ttt eyx +β+α=
47
Johansen yönteminde, , n adet içsel değişken vektörünü göstermek üzere k
gecikme için sınırlandırılmamış bir vektör otoregressif modeli (VAR) yazılabilir.
tX
tktk1t1t eXA.......XAX +++= −−
Modelde, (nx1) boyutunda ve her bir (nxn) boyutunda katsayılar matrisidir.
Bu tip VAR modellerle; değişkenler üzerinde herhangi bir yapısal kısıtlama veya
değişkenler arasında dışsallık ayırımı yapmadan, değişkenler arasındaki dinamik
ilişkiler belirlenebilmektedir. Gecikmeli değerlerin yer aldığı ve durağan olmayan
tX iA
46 Göktaş, A.g.e., s.149. 47 Hilal Bozkurt, Zaman Serileri Analizi, Ekin kitabevi, Bursa, 2007, s.116.
46
tX vektörünün birinci derece farkı alındıktan sonra VAR modelinin aşağıdaki
formuna ulaşılır. 48
tkt1kt1k1t1t eXX.....XX +Π+ΔΓ++ΔΓ=Δ −+−−−
Denklemde,
( )i1i A.....AI −−−−=Γ , 1k,......,1i −=
( )k1 A.....AI −−−−=Π
şeklindedir. Bu gösterimde; iΓ , ’deki kısa dönem değişmeler, , ise ’deki
uzun dönem değişmeler hakkında bilgi vermektedir.
tX Π tX
Π katsayılar matrisi olup rankı
koentegre vektör sayısını vermektedir. Π matrisi;
β′α=Π
biçiminde yazılabilir. matrisi, koentegre vektör sayısı, β′ α matrisi ise değişkenlerin
uzun dönem dengesinden sapmaların düzelme hızını göstermektedir.49
2.2.3.2. Vektör Otoregresyon Modelleri Ekonominin karmaşık yapısı içinde ekonomik ilişkileri tek denklemli
modellerle açıklamak güçtür. Tek denklemli modeller bir sebep-sonuç ilişkisini
gösterir ve ilişki bağımsız değişkenden bağımlı değişkene doğrudur.50 Halbuki
ekonomik değişkenler karşılıklı ve sürekli olarak birbirlerini etkilemektedirler. Bu
nedenle herhangi bir ekonomik değişkeni bağımlı, onu etkileyebilecek diğer
değişkenleri bağımsız değişken olarak ele almak yeterli olmayabilir. Çünkü karmaşık
yapı nedeniyle bağımlı değişken, bağımsız değişken veya değişkenlerin nedeni
olabilmektedir. Bu nedenle değişkenlerin tek denklemli modeller yerine eşanlı
denklem sistemleri ile incelenmesi gerekmektedir.51
Eşanlı denklem sistemlerinde, içsel-dışsal (bağımlı-bağımsız) değişken ayrımı
gibi güçlüklerin çözümüne yönelik olarak vektör otoregressif modeller (VAR)
48 Richard Harris ve Robert Sollis, Applied Time Series Modelling and Forecasting, John Wiley&Sons Ltd, 2003, s.110. 49 A.e., s.110. 50 Şahin Akkaya ve M.Vedat Pazarlıoğlu, Ekonometri II, Erkam Matbaacılık, 2.Baskı, 1998, s.220. 51 Bozkurt, A.g.e., s.75.
47
geliştirilmiştir.52 VAR analizi değişkenler arasındaki karşılıklı ilişkileri ortaya
çıkarmak amacıyla kullanılmaktadır. VAR yöntemi, modelde yer alan değişkenlerin
tümünü içsel kabul eder ve önceden elde edilen bilgilere veya teoriye dayanarak
oluşturulan sınırlayıcı şartları içermez. Bu yöntemde her bir değişken kendisinin ve
diğer değişkenlerin gecikmeli değerleri regresyona tabi tutulur. Gecikme uzunluğu
hesaplamalar açısından sorun yaratmayacak kadar küçük, fakat hata terimleri
arasında otokorelasyona sebep olmayacak kadar da büyük bir sayı olarak
belirlenmektedir.53
ve birbirinde etkilenen, iki değişken olmak üzere aşağıdaki denklem
sistemi yazılabilir.
ty tx54
xt1t221t21t2120t
yt1t121t11t1210t
exyyxexyxy+γ+γ+β−β=
+γ+γ+β−β=
−−
−−
Denklemde;
- ve serileri durağan, ty tx
- ve sırasıyla yte xte yσ ve xσ standart sapmalarına sahip ve birbirleriyle
korelasyon ilişkisi olamayan beyaz gürültü terimleridir. Yukarıdaki denklem sistemi
birinci dereceden vektör otoregressif (VAR) modelidir. Çünkü model değişkenlerin
sadece ilk gecikmeli değerlerini barındırmaktadır. Denklem sistemindeki; 12β− ,
’deki birim değişmenin ’ye etkisini, tx ty 21γ ise ’deki birim değişmenin ’ye
etkisini göstermektedir. ve değişkenleri ve üzerindeki yenilenmeler
veya şoklar olarak anlaşılabilir. Şayet ikinci denklemde
1ty − tx
yte xte ty tx
21β sıfırdan farklı ise,
’nin üzerinde dolaylı etkisi, ilk denklemdeki ’nin katsayısı sıfırdan farklı
ise ’nin üzerinde ’in dolaylı etkisi var demektir.
yte tx tx
ty xte
Yukarıdaki denklem sisteminde ’yi ve ise ’yi doğrudan
etkilediğinde bu denklemlere yapısal veya eşanlı denklemler denmektedir.
ty , tx tx ty55 Bu
52 Recep Tarı ve Hilal Bozkurt, Türkiye’de İstikrarsız Büyümenin VAR Modelleri İle Analizi, İstanbul Üniveristesi İktisat Fakültesi İstatistik ve Ekonometri Dergisi, Sayı:4, 2006, s.13. 53 Nihal Kargı ve Harun Terzi, Türkiye’de İMKB, Enflasyon, Faiz Oranı ve Reel Sektör Arasındaki Nedensellik İlişkilerinin VAR Modeli ile Belirlenmesi, İMKB Dergisi, Yıl:1, Sayı:4, Ekim-Aralık 1997. 54 Walter Enders, Applied Econometric Time Series, John Wiley&Sons Inc., 1995.
48
denklemleri daha kullanışlı hale getirmek amacıyla indirgenmiş kalıp (reduced
form), yani ve ’nin birbirlerini eşanlı olarak etkilemedikleri denklemlere
dönüştürülmelidir. Bu dönüşümü matris işlemleri kullanarak aşağıdaki şekilde
yazabiliriz.
tx ty
⎥⎦
⎤⎢⎣
⎡+⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡γγγγ
+⎥⎦
⎤⎢⎣
⎡ββ
=⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡β
β
−
−
xt
yt
1t
1t
2221
1211
20
10
t
t
21
12
ee
xy
xy
11
olmak üzere, bu matrisleri daha kısa ifade etmek istersek,
t1t10t ezBz +Γ+Γ= −
şeklinde olur. Burada;
⎥⎦
⎤⎢⎣
⎡β
β=
11
B21
12
⎥⎦
⎤⎢⎣
⎡=
t
tt x
yz ⎥
⎦
⎤⎢⎣
⎡=
xt
ytt e
ee
⎥⎦
⎤⎢⎣
⎡γγγγ
=Γ2221
12111 ⎥
⎦
⎤⎢⎣
⎡ββ
=Γ20
100
olur. Denklemin her iki tarafını ile çarpıldığında aşağıdaki denklem elde
edilir.
1B−
t1t10t uzAAz ++= −
01
0 BA Γ= − 11
1 BA Γ= −t
1t eBu −=
Yukarıdaki denklemde; , 2x1’lik matrisi, , 2x2’lik matrisi göstermek
üzere, sözkonusu denklem aşağıdaki gibi denklem sistemine dönüştürülebilir. Bu
yeni denklem sistemi standart VAR modeli olarak bilinir.
0A 1A
t21t221t2120t
t11t121t1110t
uxyxuxyy
+α+α+α=+α+α+α=
−−
−−
Standart VAR modelindeki hata terimleri sıfır ortalama, sabit varyansa sahip olup
aralarında korelasyon bulunmamaktadır.
55 Kutlar, A.g.e., s.334.
49
3. TEK DEĞİŞKENLİ ZAMAN SERİLERİ ANALİZ TEKNİKLERİ Zaman serileri analizine geçmeden önce seride eksik gözlem olup olmadığı
araştırılmalı, eğer seride eksik gözlem varsa bu eksik gözlemin tamamlanması
gerekmektedir. Eksik gözlem tamamlandıktan sonra seri değerleri para birimi ile
ifade edilmiş ise deflate işlemi ile sabit fiyatlara dönüştürülmelidir. Deflate işlemi
özellikle yüksek enflasyonun yaşandığı ülkelerde, serideki gerçek değişimi
belirlemek açısında çok önemlidir. Seriyi daha basit ve yorumlanabilir bir şekilde
modelleyebilmek için gerektiğinde seri değerleri üzerinde bazı matematik
dönüşümler yapılabilmektedir.
3.1. Serilerin Analize Hazırlanması
3.1.1. Eksik Verilerin Tamamlanması Kesikli zaman serilerinde gözlem değerlerinin eşit aralıklarla derlenmesi
gerekmektedir. Bu özellikten dolayı sıklıkla zaman serilerinde eksik gözlem
problemi yaşanabilmektedir. Eksik verilerle zaman serileri analizinin yapılması
özellikle yorum sırasında bazı sorunlara neden olabilmektedir. Bu nedenden dolayı
analize başlamadan önce eksik gözlemlerin seriye uygun bir yöntemle tahmin
edilmesi gerekmektedir. Eksik verilerin tahmin edilmesinde serinin ortalaması,
hareketli ortalama işlemi, bir önceki dönem verisinin kullanılması ve regresyon
analiziyle eksik verinin tahmin edilmesi olarak 4 farklı yaklaşım vardır.1
Serinin ortalaması yaklaşımında zaman serisinin ortalaması eksik gözlem
yerine kullanılmaktadır. Serinin ortalaması hesap edilirken eksik gözlem hesaba
katılmamaktadır. Serideki eksik gözlem için merkezi hareketli ortalama yöntemi de
kullanılmaktadır. Burada eksik gözlemden önce ve sonra eşit sayıdaki dönemin
ortalaması alınmaktadır. Seride fazla dalgalanma yoksa ortalamaya dahil edilen
dönem sayısı 2-4 civarında tutulabilir.2 Bir diğer yaklaşım bir önceki dönem
değerinin eksik gözlem yerine kullanılmasıdır. Eksik verilerin tamamlanmasında
kullanılan regresyon yönteminde ise trend denklemi elde edilerek eksik gözlem
tahmin edilmektedir.
1 Kadılar, A.g.e., s. 44. 2 A.e., s. 45.
50
3.1.2. Serilerin Düzenlenmesi ve Dönüştürme İşlemleri Zaman serileri analizine geçmeden önce seri değerlerinin üzerinde bazı
düzenlemeler veya dönüşümler yapılması daha basit ve yorumlanması daha kolay
olan tahmin modelinin elde edilmesi açısından önemlidir. Veriler üzerinde
logaritmik, karekök vb. matematik dönüşümler, takvim etkisine bağlı olarak seride
görülen dalgalanmayı ortadan kaldırmak için yapılan düzenlemeler ve nüfus
değişmelerinden ve enflasyondan kaynaklanan etkileri seri üzerinden kaldırmak için
yapılan düzenlemeler olmak üzere üç çeşit dönüştürme ve düzenleme vardır.3
Eğer zaman serilerinde veriler değer olarak para birimi ile ifade edilmiş ise
fiyat değişmelerinin etkisinin de giderilmesi gerekir. Zira incelenen değişkende bir
gelişme olmadığı halde fiyat artışları gelişme olduğu kanısını uyandırabilir. Bunun
için analize geçmeden önce serideki fiyat değişmlerini gidermek, başka bir deyimle
verileri sabit fiyatlara çevirmek gerekir. Fiyat değişmelerinin etkisini gidermek için
en çok tüketici fiyat indeksi ve üretici fiyat indeksinden (eski adıyla toptan eşya fiyat
indeksi) yararlanılır. Tüketici fiyat indeksi reel ücretlerin bulunmasında, üretici fiyat
indeksi ise diğer fiyat ayarlamalarının yapılmasında kullanılır.4 Cari fiyatlardan sabit
fiyatlara dönüştürme işlemine genel olarak deflate işlemi adı verilmektedir. Genel
olarak deflate işlemi aşağıdaki gibi yapılmaktadır.
100xDeflatör
FiyatCariFiyatSabit =
Takvim düzeltmeleri: Zaman serisindeki bazı değişkenliklerin nedeni
aylardaki gün sayısından kaynaklanabilir. Bunu için zaman serisinde gün sayısına
göre ayarlama yapmak gerekebilir. Bilindiği gibi her aydaki gün sayısı ve işgünü sayı
eşit değildir. Dolayısıyla zaman serisinin analizine geçmeden önce serideki değerler
düzeltilerek seri farklı gün sayısına sahip ay etkisinden ve farklı işgünü etkisinden
arındırılmalıdır. Farklı gün sayısına sahip ay etkisinden;
3 Spyros Makridakis, Steven C. Wheelwright ve Rob J. Hyndman, Forecasting Methods and Applications, Third Edition, John Wiley&Sons.Inc., 1998, s.63. 4 Orhan İdil, Yönetimde İstatistik Teknikler ve Örnek Olaylar, İstanbul Üniversitesi Basımevi ve Film Merkezi Müdürlüğü, III.Baskı, İstanbul, 1994, s.88-89.
51
sayıgünaydakit
12/25,365ysayıgünaydakit
sayıgünortalamaaydakibiryW ttt ×=×=
farklı işgünü etkisinden
sayıisgunuaydakitişşgünüortalamaaydakibiryW tt ×=
şeklinde ayarlama yapılır.
Zaman içerisinde serideki dalgalanmaların boyutu artış gösteriyorsa seriye
matematik dönüşüm uygulamak uygun bir yaklaşım olmaktadır. Seri değerlerinin
karekökünü almak matematik dönüşümlerden biridir. Seriye uygulanan karekök
dönüşümü ile serideki dalgalanmaların boyu azaltılamakta böylece tahmin modelinin
elde edilmesi kolaylaşmaktadır. Pek çok matematik dönüşüm olmakla birlikte
uygulamada karekök ve logaritmik dönüşümler yaygın olarak kullanılmaktadır.
Karekök dönüşüm, Kübik dönüşüm, logaritmik dönüşüm ve negatif ters dönüşüm
olmak üzere matematik dönüşümler vardır. Karekök dönüşümden negatif ters
dönüşüme doğru gidildikçe seride dalgalanmalar hızla azalar. Dönüştürülmüş veri ile
yapılan tahminler ters dönüştürme işlemiyle orijinal verilerin tahmini haline
getirilir.5
3.2. Bileşenlere Ayırma Yöntemi Daha öncede belirtildiği gibi bir ekonomik zaman serisinin trend (T), mevsim
(M), Konjonktür(K) ve Arizi faktörler(A) olmak üzere dört bileşeni vardır.
Konjonktür ve mevisimin etkisi seri değerlerinin dalgalanması, yani devrelerin
tekrarlanması şeklinde olduğundan bunların ikisine birden devri hareketler adı da
verilmektedir.6 Bileşenlere ayırma yönteminde amaç, tahmin edilemeyen arızi
faktörler dışındaki bileşenlerin tahmin edilmesi veya incelenmesi, daha sonra bu
tahmin ve incelemelerin birleştirilmesidir. Zaman serisi verileri bu dört bileşenin
toplamı veya çarpımı olarak ifade edilmektedir ve aşağıdaki biçimde
gösterilmektedir.
5 A.e., s.63-66 6 Gürtan, A.g.e., s.422.
52
A (Bileşenlerin toplamı) KMTyt +++=
A (Bileşenlerin çarpımı) .K.M.Tyt =
Çarpım şeklindeki modelde ana değer trenddir. Toplam şeklindeki modelde
ise her bileşen ’nin bir kısmını oluşturur. Toplam şeklindeki modelde bileşenlerin
birbirini etkilemediği kabul edilir. Çarpım modelinde bu varsayım sözkonusu
değildir. Konjonktür ve mevsim bileşenleri trendin birer fonksiyonudurlar. Toplam
modelde trend artınca mevsim bileşeni sabit kalır. Çarpım modelinde ise mevsim
bileşeninin trende oranı sabit kalır. Bu özellikler göz önünde tutulduğunda toplam
modelin bazı hallerde kullanılabileceği, ancak çarpım modelinin genel olarak
ekonomik zaman serilerine daha uygun olacağı kabul edilmektedir.
ty
7
Aylık veya üçer aylık serilerde bu dört bileşenin etkisi görülürken, yıllık
serilerde mevsim bileşeninin etkisi yoktur. Dolayısıyla yıllık seriler için yukarıdaki
gösterimde M bileşeni yer almayacaktır. Bu bileşenlerden trend mutlak değer olarak
ifade edilirken, diğer bileşenler yüzde cinsinden gösterilmektedir.
Bileşenlere ayırma yönteminde öncelikle trend belirlenir. Trendin
belirlenmesiyle; değişkenin geçmiş dönemdeki değişmeleri, serideki diğer
bileşenlerin etkisi ortaya çıkarılabilmekte ve planlama için gerekli olan bilgiler
tahmin edilebilmektedir. Trendin belirlenebilmesi için 10-15 yıllık veri
gerekmektedir.
3.2.1. Hareketli Ortalamalarla Trendin Belirlenmesi Bir zaman serisinde mevsim etkisi ve düzensiz hareketler baskın ise, serinin
genel eğiliminin belirlenebilmesi için hareketli ortalamalar yöntemi kullanılmaktadır.
Böylece seri mevsim etkisinden ve düzensiz hareketlerden arındırılmakta ve serinin
genel eğilimi ile konjonktür etkisi ortaya çıkarılmaktadır. Hareketli ortalama
yöntemlerinde tahmini değer k dönemin ortalaması alınarak hesaplanmaktadır.
Yöntem, her yeni gözlem eklendiğinde eski değerin hesaplamadan çıkarılması ve
yeni değerin katılması ile ortalama değerin hareketli olarak hesaplanmasına
dayanmakta ve böylece k değeri her zaman sabit kalmaktadır.
7 İdil, A.g.e., s.87.
53
Hareketli ortalamaya esas olacak k dönem sayısı belirlenirken; zaman
serisindeki önemli dalgalanmaları gözden kaybetmeyecek bir düzgünleştirme
sağlamalı ve aynı zamanda çok veri kaybına neden olmamalıdır.8 Devri hareketlerin
yani konjonktür ve mevsimden ileri gelen dalgalanmaların seriden arındırılabilmesi
için hareketli ortalamaların dalga uzunluğuna eşit sayıda değer üzerinden
hesaplanması gerekir. Dalga uzunluğunun belirlenmesi için serinin grafiği çizilerek
birbirini takip eden iki minimum veya iki maksimum nokta arasındaki uzaklık
belirlenir. Bütün dalgalar eşit uzunlukta ise dalga uzunluğu kadar değer üzerinden
hareketli ortalama değeri hesaplanır. Ancak pratikte dalgaların hep aynı uzunlukta
olması nadir rastlanan bir durumdur. Konjonktür dalgalanmaları çok defa farklı
uzunluktadır. Hareketli ortalama için bu farklı dalga uzunluklarının ortalaması
kullanılır.
Aylık serilerde hareketli ortalamalarla trend hesaplanırken, aylık serilerin
hem mevsim hem de konjonktür etkisini taşıdığı dikkate alınmalıdır. Bu sebeple
aylık verilere 12 şerli hereketli ortalama uygulanarak önce mevsim etkisi giderilir.
Mevisim etkisi giderilmiş seriye bu defa konjonktür dalga uzunluğunda hareketli
ortalamalar ugulanarak iki aşamada trende ulaşılır.9
Hareketli ortalamalar Merkezi Hareketli Ortalamalar (Centered Moving
Average) ve Basit Hareketli Ortalamalar (Simple Moving Average) olmak üzere iki
farklı şekilde hesaplanmaktadır.
3.2.1.1. Merkezi Hareketli Ortalama Merkezi hareketli ortalama yönteminde k dönemin ortalaması alınmakta ve
bulunan ortalama, ortalaması alınan dönemin tam ortasındaki tarihteki trend
değerinin tahmini değeri olarak kullanılmaktadır.
( )k
y...yyy...yy 2/)1k(t1tt1t2/)1k(t
t−++−−− ++++++
=′
k; ortalamaya giren dönem sayısı
ty′ ; tahmini trend değeri (k dönemin tam ortasındaki değerinin tahmini) ty
8 Işıl Akgül, Geleneksel Zaman Serisi Yöntemleri, Der Yayınları, İstanbul, 2003, s.84-85. 9 Gürtan, A.g.e., s.422.
54
Merkezi hareketli ortalamalar yönteminde seçilen dönem sayısı tek ise serinin
başından ve sonundan (k-1)/2, çift ise k/2 kadar dönemin tahmini
yapılamamaktadır.10 Örneğin 4 erli hareketli ortalama hesaplamak istediğimizde
serinin başından iki, sonundan iki döneme ait tahmin yapılamamaktadır. t=3 için
tahmin yapılmak istendiğinde t=1 ve t=5 dönemlerine ait gözlemlerin yarısı ile t=2,
t=3 ve t=4 dönemlerinin gözlem değerleri hesaba katılmaktadır. Basit hareketli
ortalama yönteminde t döneminin tahmini değeri bulurken geçmiş dönem değerleri
kulllanılırken, merkezi hareketli ortalama yönteminde t döneminden hem önceki hem
de sonraki dönem değerleri kullanılmaktadır.
3.2.1.2. Basit Hareketli Ortalama Zaman serilerinin grafiğinde dalgalanmalar gözlemlendiğinde serinin trendini
ortaya çıkarmak için basit hareketli ortalamalar kullanılmaktadır.11 Basit hareketli
ortalamalarla trend değerlerinin tahmini,
( )k
y..................yyyy 1kt2t1tt
1t+−−−
+
++++=′
şeklinde hesaplanmaktadır.12 Burada,
k; ortalamaya giren dönem sayısı
1ty +′ ; henüz gerçekleşmemiş trend değerinin tahmini 1ty +
Basit hareketli ortalama yönteminde şimdiki dönemle birlikte geçmiş k
dönemin ortalaması gelecek dönem tahmini olarak kullanılmaktadır.
3.2.2. En Küçük Karelerle Trendin Belirlenmesi Trend serinin uzun dönemki genel eğilimini göstermektedir. Bu eğilim zaman
içinde yukarı yönlü veya aşağı yönlü bir hareket olarak görülebilmektedir. Serinin
trendinin13, yani trendi tanımlayan parametrelerin14 zaman içinde değişmiyor olması
durumunda regresyon analizi kullanılabilir. Bunun için zaman serisi zamanın bir
fonksiyonu olarak yazılmakta ve fonksiyonel ilişki, 10 Orhunbilge, A.g.e., s.12 11 Akgül, A.g.e., s.86-87. 12 Orhunbilge, A.g.e., s.12. 13 Kadılar, A.g.e., s. 96. 14 Akgül, A.g.e., s. 41.
55
)e,t(fy tt =
şeklinde gösterilmektedir. Denklemdeki t zamanı göstermekte ve zaman; ay, mevsim
veya yıl olabilmektedir. Böylece regresyon analizindeki bağımsız değişkenin yerini
zaman almaktadır. ise tahmin hatalarıdır. te
Fonksiyon yazılmadan önce serinin grafiği çizilir. Böylece serinin zaman
içindeki eğilimi hakkında ön bir fikir elde edilerek seriye uygun fonksiyon tipi
belirlenmeye çalışılır. Ayrıca fonksiyon tipi belirlenmeye çalışılırken, zaman
serisinin grafiğini incelemenin yanında ilk farklar ( )1tt yy −− serisinin grafiği de
incelenebilir. İlk farklar serisinin grafiği incelendiğinde fark serisinin trendi yoksa
doğrusal modelin, ilk farklar serisinin trendi varsa eğrisel bir modelin uygun
olduğuna karar verilmektedir.15 Doğrusal, Eğrisel ve Üstel trend fonksiyonları
uygulamada yaygın olarak kullanılmaktadırlar. Elbetteki daha üst dereceden trend
fonksiyonları da düşünülebilir. Ancak çok üst dereceden fonksiyonlar trendi değil
konjonktür ve arızi faktörlerin etkisini ortaya çıkaracaktır.16
Zaman serisinin eğilimi doğrusal veya eğrisel olabilir. En küçük kareler
yöntemiyle çeşitli fonksiyonlar denenerek tahmin hatalarının kareleri toplamları
karşılaştırılır. Hata kareleri toplamı en küçük olan fonksiyon
trend fonksiyonu olarak seçilmektedir.
(∑ ∑= =
′−=n
1t
n
1t
2tt
2t yye )
)
17 Bu fonksiyon yardımıyla elde edilen tahmin
değerleri , gözlem değerlerine ( ty′ ( )ty en yakın değerler olacağından hata kareleri
( )2te toplamı da minimumdur.
3.2.2.1. Doğrusal Trend Fonksiyonu Zaman serisinin grafiğinde verilerin görünümü aşağı veya yukarı yönlü düz
bir çizgi şeklindedir. Başka bir deyişle serinin değerleri zaman içinde daima aynı
oranda artmakta ya da azalmaktadır. Doğrusal trend fonksiyonu,
tt ebtay ++=
15 A.e., s. 43. 16 Orhunbilge, A.g.e., s. 20. 17 A.e., s.21.
56
şeklinde gösterilmektedir. Modelde gözlem değerlerini, a modelin sabiti, b
modelin eğimi ve hata terimidir.
ty
te
En küçük kareler yöntemine göre hata kareleri toplamını minimum yapacak
doğrusal trend fonksiyonun elde edilmesi için aşağıdaki ifadenin minimum yapılması
gerekmektedir. Bunun için a ve b parametrelerine göre 1. dereceden kısmi türevleri
alınıp sıfıra eşitlenir.
( ) ( ) minbtayyyen
1t
n
1t
n
1t
2t
2tt
2t ⇒−−=′−=∑ ∑ ∑
= = =
Türevler alınıp sıfıra eşitlendikten sonra gerekli düzenlemeler yapıldığında normal
denklemleri adı verilen aşağıdaki denklem sistemine ulaşılır.
∑∑∑∑∑+=
+=2
t
t
tbtayt
tbnay
Denklem sisteminde bilenenler yerine yerleştirildikten sonra iki bilinmeyenli
denklem sistemi çözülerek doğrusal trend fonksiyonun parametreleri olan a ve b elde
edilir. Aşağıda açıklandığı üzere t’ye başlangıçtan itibaren değerler verildiğinde a
parametresi t=0 olduğunda serinin alacağı başlangıç değerini, başka bir ifadeyle trend
doğrusunun dikey ekseni kestiği noktayı gösterir. Eğer t’ye toplamları sıfır olacak
şekilde değerler verildiyse bu durumda a parametresi değişkenin incelenen
dönemdeki ortalama değerini verir. b parametresi ise her iki yöntemde de doğrunun
eğimidir. Zamanda bir birimlik değişme olduğunda seride meydana gelen değişmeyi
veya ’deki aylık, üçer aylık veya yıllık ortalama değişmeyi göstermektedir. b’nin
işareti pozitif olduğunda serinin trendinin yönün yukarı ( ’nin arttığı), negatif
işarete sahip olduğunda ise serinin trendinin yönün aşağı olduğu ( ’nin azaldığı)
anlaşılır.
ty
ty
ty
Zamanı gösteren t’ye değerler iki şekilde verilebilir. İlk olarak başlangıçtan
itibaren 0,1,2,... gibi değerler verilebileceği gibi t nin toplamını sıfır yapacak şekilde
de verilebilir. Bu yolla değerler incelenen dönem sayısı tek olduğunda ...,-2,-
1,0,1,2,... şeklinde, dönem sayısı çift olduğunda ise ...-1,5,-0,5,+0,5,1,5,... şeklinde
verilebilir. Geleceğe yönelik tahmin yapılmak istendiğinde modelin orijinin ne
olduğunun belirtilmesi gerekir. Çünkü t bu orijinlere göre değer almaktadır.
57
3.2.2.2. İkinci Derece Trend Fonksiyonu Zaman serisinin grafiği çizildiğinde verilerin görüntüsü düz çizgiye sahip
değilse, veriler için doğrusal olmayan trend fonksiyonu düşünülmelidir. Eğrisel yani
ikinci derece trend fonksiyon veriler için uygun olabilir. İkinci dereceden bir
fonksiyon aşağıdaki gibi gösterilebilir.
t2
t ectbtay +++=
İkinci dereceden bir eğride ikinci derece farklar, yani ilk farkların farkı
sabittir. Zaman serisinin ikinci dereceden farkları sabit ise seriye uygun ikinci
dereceden bir trend fonksiyonu uydurulmaya çalışılır.18
İkinci derece trend fonksiyonun en küçük kareler yöntemiyle elde edilmesi
için hata kareleri toplamını minimum yapan aşağıdaki ifadenin a, b ve c katsayılarına
göre 1.dereceden kısmi türevlerinin alınıp sıfıra eşitlenmesi gerekir.
( ) ( )∑ ∑ ∑= = =
⇒−−−=′−=n
1t
n
1t
n
1t
22t
2tt
2t minctbtayyye
Türev alma işleminden sonra gerekli düzenlemeler yapıldığında aşağıdaki normal
denklemleri elde edilir.
∑ ∑ ∑ ∑∑ ∑∑∑
∑ ∑∑
++=
++=
++=
432t
2
32t
2t
tctbtayt
tctbtayt
tctbnay
t’ye doğrusal trend fonksiyonunda değinilen yollardan biri kullanılarak
değerleri verilir. Bu üç bilinmeyenli üç denklemde bilinenler yerleştirilip denklem
sistemi çözüldüğünde ikinci derece trend fonksiyonun parametreleri olan a, b ve c
elde edilir. a parametresi t=0 olduğunda eğrinin dikey ekseni kestiği noktayı, b
eğrinin orijindeki eğimini, c parametresi de eğimdeki değişme derecesini
göstermektedir. b ve c parametrelerinin pozitif veya negatif olması sonucunda
değişkeninin incelenen dönemde aşağıdaki eğilimleri gösterdiği ortaya çıkar:ty 19
ve ise; artan oranda artış göstermektedir. 0b > 0c > ty
ve ise; azalan oranda artış göstermektedir. 0b > 0c < ty
18 Akgül, A.g.e., s.50. 19 Orhunbilge, A.g.e., s.32.
58
ve ise; azalan oranda azalmaktadır. 0b < 0c < ty
0b < ve ise; aratan oranda azalmaktadır. 0c > ty
3.2.2.3. Üstel Trend Fonksiyonu İkinci derece trend fonksiyonunda da değinildiği gibi serinin grafiğine
doğrusal trend fonksiyonu uygun değilse, doğrusal olmayan fonksiyonlar
düşünülmelidir. Bu fonksiyonlardan biri de üstel fonksiyondur. Zaman serisindeki
değişmeler ikinci derece fonksiyondakine benzer. Seride meydana gelen değişmeler
zaman için yaklaşık olarak sabit oranlarda gerçekleştiğinde üstel fonksiyon trendi
daha iyi temsil edebilir.20 Üstel trend fonksiyonundaki trend artış hızı ikinci derece
trend artış hızından yüksektir. Bu fark son dönem gözlem verilerindeki yüksek
artışlardan ortaya çıkmaktadır. Dolayısıyla bu iki modelin tahmini değerleri
biribirinden oldukça farklı elde edilmektedir.21 t
t aby = olarak gösterilen üstel fonksiyon logaritması alınarak
blogtalogylog t += şeklinde doğrusal fonksiyona dönüştürülür. En küçük kareler
yardımıyla fonksiyonun parametreleri olan a ve b yi bulmak için aşağıdaki ifadenin
loga ve logb ye göre 1.dereceden kısmi türevleri alınıp sıfıra eşitlenir.
( ) ( )∑ ∑ ∑= = =
⇒−−=′−=n
1t
n
1t
n
1t
2t
2tt
2t minblogtalogylogylogyloge
Türev alma işleminden sonra gerekli olan düzenlemeler yapılırsa aşağıdaki normal
denklemleri elde edilir.
∑ ∑∑∑ ∑
+=
+=2
t
t
tblogtalogylogt
tblogalognylog
Bu denklemleri çözmek için zaman serisinin verilerine logaritma dönüşümü yapılır
ve t’ye de daha önce bahsedildiği gibi değerler verilir. Normal denklemlerinde
bilinenler yerleştirilip çözüm yapıldığında loga ve logb değerleri elde edilir. Bu
değerlerin anti logaritmaları alınarak a ve b parametrelerine ulaşılır.
20 A.e., s.35. 21 Kadılar, A.g.e., s.114.
59
3.2.3. Doğrusala Dönüştürme Yöntemleri Serinin trendinin doğrusal değil de, eğrisel olduğunda serinin değerlerinin
logaritması, tersi (hiperbolik) veya karakökü alınarak serinin trendi doğrusala
dönüştürülebilir. Her bir dönüşüm ayrı ayrı uygulanarak, hangi dönüşümün daha
uygun olduğu belirlenmelidir. Aşağıdaki logaritmik, hiperbolik ve karekök
dönüşümlerine ait model ve normal denklemleri verilmektedir.22
Logaritmik Dönüşüm
Model xt aby = blogtalogylog t +=
Normal Denklemler ∑ ∑∑∑ ∑
+=
+=2
t
t
tblogtalogylogt
tblogalognylog
Hiperbolik Dönüşüm
Model btay1
t
+=
Normal Denklemler ∑ ∑∑
∑ ∑
+=
+=
2
t
t
tbtayt
tbnay1
Karekök Dönüşüm
Model btayt +=
Normal Denklemler ∑∑∑
∑∑+=
+=2
t
t
tbtayt
tbnay
3.2.4. Diğer Trend Fonksiyonları Bundan önce anlatılan doğrusal, ikinci derece ve üstel trend fonksiyonları
doğrusal veya doğrusala dönüştürülebilen fonksiyonlardır. Bu özelliğinden dolayı bu
modellere özünde doğrusal olan modeller denmektedir. Örneğin ikinci derece bir
fonksiyonla temsil edilebilen trend uygun dönüşümlerle doğrusala
22 Orhunbilge, A.g.e., s.77-81.
60
dönüştürülebilmektedir. Bu modeller değişkenlere göre doğrusal olmayan ancak
parametrelerine göre doğrusal modellerdir.
Özünde doğrusal olmayan modeller ise hem değişkenlerde hem de
parametrelerinde doğrusal olmayan modellerdir. Örneğin tb
1ay t ++= modeli
herhangi bir dönüşüm ile doğrusal formu elde edilemez.23 Genellikle S-eğilimli olan
bu modellerden Lojistik Eğri, Gompertz Eğrisi ve benzerleri özünde doğrusal
olmayan modellerdir. Bu tür modeller uzun dönem trendlerin tanımlanmasında
kullanılmaktadır. Bu modellerde başta hızlı bir artış, bu hızlı artışı limitte gitgide
azalan artışlar takip etmektedir. Ürün satışları ve çeşitli teknolojik gelişmeler bu tür
eğilimler gösterdiğinden özünde doğrusal olmayan modellerle temsil edilirler.24
3.2.4.1.Gompertz Eğrisi İlk olarak 1825 yılında Gompertz tarafından ölüm oranlarını hesaplamak için
geliştirilmiş olan Gompertz eğrisi biyoloji, ekonomi, aktüerya gibi pek çok alanda
büyüme eğrisi olarak kullanılmıştır. Amaca uygun olarak çeşitli şekillerde
gösterilebilen Gompertz eğrisi denkleminin bir gösterimi,
tb
t kay =
şeklindedir.25 Denklemin kısıtları 1a0 << ve 1b0 << olarak verilmektedir.26
Denkleme tahmin öncesinde logaritmik dönüşüm uygulanmaktadır.27
( ) tt balogklogylog +=
Gompertz eğrisinin parametreleri aşağıdaki formüller yardımıyla elde
edilmektedir.
12
23n
SSSS
b−−
=
23 Akgül, A.g.e., s.44-45 24 Orhunbilge A.g.e., s.41. 25 Charles P. Winsor, “The Gompertz Curve As A Growth Curve”, Proceeding of The National Academy of Sciences, Cilt:18, No:1, 15 Ocak, 1932, s.1. 26 Jack Sherman ve Winifred J. Morrison, “Simplified Procedures For Fitting A Gompertz Curve And A Modified Exponential Curve”, Journal of The American Statistical Association, Cilt:45, No:249, Mart 1950, s.87-96. 27 Orhunbilge, A.g.e., s.42.
61
( )(( )
)2n
12
1b
1bSSalog
−
−−=
⎟⎠⎞
⎜⎝⎛
−−
−=1b
SSSn1klog n
121
klog ; eğrinin yaklaştığı maksimum değerin logaritması,
( ) tbalog , belirli bir tarihte trend değerinin maksimum değerden düşüş
miktarı,
1S , ve ; üç alt dönemin değerleri toplamı, 2S 3S tylog
n, her alt dönemdeki yıl sayısı
t, yıllara verilen değerler.
Yukarıda logaritmik döşümü yapılmış Gompertz denkleminin parametreleri
en küçük kareler yöntemine göre de elde edilebilir. Bunun için bilinmeyen üç
parametreye (a, b, k) göre kısmi türevlerin alınmasıyla oluşturulan normal
denklemlerin çözülmesi gerekmektedir.28
( ) ( )( ) ( ) ( )( ) ( ) (∑ ∑∑
∑∑ ∑∑
)
∑
+=
+=
+=
t2tt
t
t2tt
t
tt
tbblogtbklogylogtb
balogbklogylogb
balogklognylog
Gompertz eğrisi trendi, logaritmaların büyüme artışlarının sabit oranda azalışı
şeklinde tanımlamaktadır.29 Gompertz eğrisi, lojistik eğriye çok benzemesine rağmen
aralarındaki önemli fark, dönüm noktası olarak adlandırılan noktadan önce
büyümenin doğrusaldan hızlı, bu noktadan sonra büyümenin doğrusaldan yavaş
olması şeklinde ifade edilmektedir. Gompertz formülasyonu eğrinin azalmasına
olanak tanımamaktadır. Bu nedenle de pazarda yeni ürün için kullanılabilen bir eğri
tipi olarak kabul edilmekte olup büyüme Gompertz eğrisinin maksimum değerine
kadar artmaktadır.30
28 Paul Matthew Stoner, “Fitting The Exponential Function And The Gompertz Function By The Method of Least Squares”, Journal of the American Statistical Association, Cilt:36, No:216, Aralık 1941, s.515-518. 29 Orhunbilge, A.g.e., s.42. 30 Akgül, A.g.e., s.66.
62
3.2.4.2. Lojistik Eğri Serilerde trendin hızlı bir büyümeden sonra düşük büyüme hızı ile devam
ettiği durumlarda söz konusu olan S-eğimli modeller, limitte gitgide azalan hızlarda
büyümeye yaklaşmaktadır. Zaman serisinin büyüme seyrinin dönem içinde
yavaşlama eğilimi göstermesi durumunda üstel modellerin uygun olmayacağı, bu
gibi seriler için S-eğilimli model olarak bilinen lojistik model kullanımı uygun
olmaktadır.31
İlk kez 1838 yılında Verhulst tarafından kullanılan lojistik model32, Pearl ve
Reed tarafından ABD nüfus büyümesini tahmin amacıyle kullanıldığında Pearl-Reed
büyüme eğrisi olarak da bilinmektedir. Tahmin amacı ile kullanılan lojistik eğri
fonksiyonu,
tt abk1y+
=
olarak ifade edilirken tersi
t
t
abky1
+=
şeklinde ifade edilmektedir. Lojistik eğri fonksiyonun doğal logaritması alındığında
btat e1ky ++
=
şeklinde yazılmaktadır. Lojistik eğrinin parametreleri aşağıdaki formüller yardımıyla
elde edilmektedir.33
12
23n
SSSS
b−−
=
( )(( )
)2n
12
1b
1bSSa−
−−=
31 A.e., s.65. 32 Clyde V. Kiser, “Lowell J. Reed (1886-1966)”, Population Index, Cilt:32, No:3, Jul.1966, p.362-365. 33 Neyran, Ag.e., s. 43
63
⎟⎠⎞
⎜⎝⎛
−−
−=1bSSS
n1k n
121
k ; eğrinin yaklaştığı maksimum değeri,
a ; belirli bir tarihte trend değerinin maksimum değerden düşüş miktarı,
1S , ve ; üç alt dönemin değerleri toplamı, 2S 3S ty
n, her alt dönemdeki yıl sayısı
t, yıllara verilen değerler.
3.2.4.3. S Eğrileri Özellikle pazarlama alanında bir ürün tanıtımı söz konusu olduğunda büyüme
eğrisinin S-eğilimli olduğu görülmektedir. Başta ürün satışları olmak üzere çeşitli
teknolojilerin zaman serileri fonksiyonlarının S eğrisi şeklinde olduğu
gözlenmektedir. Bu nedenle genellikle ürün yaşam eğrilerinin tanımlanmasında S
eğrileri kullanılmaktadır. Bu dağılımlarda yavaş bir başlangıcı takip eden artışların
durgunlukla sonlandığı gözlenmektedir.34
S eğrilerini temsil eden pek çok matematik formun olması yöntemin
uygulanmasında bir zorluk olarak karşımıza çıkmaktadır.35 Bunların içinde yaygın
olarak kullanılan denklem, ( )t/ba
t ey −=
şeklinde olup her iki tarafın doğal logaritması alındığında;
tbayln t −=
olarak elde edilmektedir. En küçük kareler yöntemiyle denklemin parametreleri olan
a ve b yi bulabilmek için aşağıdaki denklem sisteminin çözülmesi gerekmektedir.
∑ ∑ ∑
∑ ∑
+=
+=
2t
t
t1b
t1a
tyln
t1bnayln
34 A.e., s.44. 35 Bowerman ve O’Connell, A.g.e., s.8.
64
3.2.5. Mevsim Bileşenin Belirlenmesi Zaman serilerinde mevsim bileşeni bir yıl veya daha az zaman süresinde
tekrarlanan periyodik dalgalanmalardır. Bu dalgalanmalar, değişkenin değerleri
mevsimlik ise dört mevsimde bir, aylık ise oniki ayda bir belirgin yükselişler veya
düşüşler şeklinde ortaya çıkmaktadır.36
Mevsimlik dalgalanmaların incelenmesinin üç önemli nedeni vardır.
Bunlardan birincisi kısa dönem dalgalanmalarının anlaşılması ve açıklanması,
ikincisi kısa dönem tahminlerin yapılabilmesi, üçüncüsü de zaman serilerinden
mevsim etkisinin arındırılmasıdır.37
Ekonomistler arasındaki ortak görüş, ekonomik değişkenlerdeki
mevsimselliğe üç faktörün yol açtığıdır. Bu üç faktörün ilki iklim şartlarıdır.
Sıcaklık, gündüz saatleri, yağışlı günler veya şiddetli fırtınaların olabilirliği gibi
şartlar mevsimsel etkiler yaratır. Örneğin, yaz mevsiminin başlamasıyla birlikte
tarımsal ürünlerin fiyatlarında yaşanan düşme eğilimi ortalama enflasyonunda
düşmesine yol açar ki bu tamamen mevsimsellikle açıklanır. Mevsimselliği
beraberinde getiren ikinci faktör yılbaşı, anneler günü, vergi ödemelerinin bitim
tarihi veya dini bayram tatilleri gibi üretim ve tüketim kararlarını önemli ölçüde
etkileyen, önceden bilinen, düzenli takvim olayları sayılabilir. Mevsimselliğin
kaynağı olan üçüncü faktör ise belli faaliyetlerin zamanlaması üzerinde etkili olan
sosyal eğilimlerdir. Bunu örneklendirmek için, okul çağında çocuğu olan ailelerin
tatil planlarını akademik takvime bağlı kalarak yapmalarını sayılabilir.38
Mevsimsellik çok farklı şekillerde ortaya çıkabilmektedir. Örneğin
mevsimsellik bir yılın belirli mevsimlerinde, belirli aylarında, belirli haftlarında veya
bir çeyrek yılın belirli bir ayında, belirli bir haftasında ya da bir ayın belirli bir
haftasında, belirli bir gününde veya bir haftanın belirli bir gününde nihayet bir günün
beliri saatinde ortaya çıkabilir. Belirli mevsimlerde soğuk içecek talebinin artması
veya azalması, yılın belirli aylarında veya haftalarında okulların açıldığı dönem
öncesi bazı ürünlerde talep artışları, yılın en sıcak aylarında klima gibi soğutucu
36 Orhunbilge, A.g.e., s.64. 37 A.e. 38 Füsun Deriş, “Ekonomik Zaman Serilerindeki Mevsellik ve Alternatif Modelleme Yaklaşımları”, Marmara Üniversitesi Sosyal Bilimler Enstitüsü Öneri Dergisi, Cilt:6, Yıl:11, Sayı:22, Haziran 2004, s.305.
65
cihazların satışlarındaki artışlar, en soğuk günlerde ısıtıcı cihazların satışlarındaki
artışlar, Müslüman bir ülke için dini günler, bayramlar, ramazan ayı alışverişlerideki
artışlar, her yıl aynı günde kutlanan anneler günü, babalar günü, öğretmenler günü,
günün belirli saatlerinde telefon görüşmlerindeki artışlar gibi çok sayıda
mevsimsellik özelliğe sahip örnekler verilebilir.39
Zaman serilerinde mevsim etkisi deterministik ve stokastik olarak iki tip
halinde gözlenmektedir. Mevsim etkisinin büyüklüğü zaman içinde değişmeyip hep
sabit kalıyorsa mevsim bileşeni determistiktir. Mevsim etkisinin büyüklüğü zaman
içerisinde değişiyor ise mevsim bileşeni stokastiktir. Zaman serisinin mevsim
bileşeni stokastik olduğunda karekök, logaritma dönüşümleri yapılarak determisitk
bir bileşene dönüştürülebilir.40
3.2.5.1. Mevsim İndeksinin Hesaplanması Mevsim indeksinin (Mİ) hesaplanmasında sıklıkla kullanılan yöntem merkezi
hareketli ortalamalara oran yöntemidir.41 Veriler aylık ise 12’şerli, üç aylık ise 4’erli
merkezi hareketli ortalamalar hesaplanarak trend ve konjonktür bileşenlerini içeren
değerleri bulunur. Gözlem değerleri hesaplanan hareketli ortalama değerlerine
oranlanarak mevsim ve arızi faktör bileşenlerinin etkisi yüzde cinsinden ortaya
çıkarılır. Bu işlemler aşağıda gösterilmiştir.
ty′
100*.A.M100*.K.TA.M.K.T100*
yy
t
t ==′
Bu işlemler tüm veriler için yapılır. Her ay veya her üç ay için bulunan yüzde
değerlerin ortalaması alınır.42 Böylece mevsim indeksi değerleri elde edilmiş olur.
Merkezi hareketli ortalamayla aylık verilerde baştan altı, sondan altı olmak üzere
oniki, üçer aylık verilerde ise baştan iki, sondan iki olmak üzere dört adet gözlem
değerinin hareketli ortalama değeri hesaplanamamaktadır. Oranların ortalamaları
hesaplanırken bu durumun göz ardı edilmemesi gerekir.
39 Mustafa Sevüktekin, Mehmet Nargeleçekenler, Zaman Serileri Analizi, Nobel Yayın Dağıtım, Ankara, 2005. s.12-13. 40 Bowerman ve O’Connell, A.g.e., s.308-311. 41 Newbold, A.g.e., s.700. 42 Bazı kaynaklarda ortalama değer alınırken hesaplanan en küçük ve en büyük yüzde değerleri ortalamaya dahil edilmemektedir.
66
Hesaplanan mevsim indeksi değerlerinin toplamının aylık veriler için 1200,
üç aylık veriler için 400 olmalıdır. Aylık verilerde mevsim indeks değerlerinin
toplamı 1200 değilse, bir düzeltme işlemi yapılarak düzeltilmiş mevsim indeks
(DMİ) değerleri bulunur.
∑=
= 12
1tMİ
1200DMİ
Veriler üç aylık ve hesaplanan indeks değerleri toplamı 400 den farklı ise
düzeltilmiş mevsim indeks (DMİ) değerleri aşağıdaki eşitlik yardımıyla elde edilir.
∑=
= 4
1t
Mİ
400DMİ
Hesaplanan mevsim indeks değeri 100’ün altındaysa mevsim etkisinin
değişken değerini azaltıcı, 100’ün üzerinde ise değişken değerini arttırıcı yönde etkisi
olmuş demektir. Mevsim indeksi 100 ise değişkenin değeri üzerinde herhangi bir
mevsim etkisinin söz konusu olmadığı anlaşılır.
Gözlem değerleri mevsim indeksine bölünüp 100 ile çarpıldığında mevsim
etkisinden arındırılmış veriler elde edilir. Mevsim etkisinden arındırılmış serideki
dalgalamalar konjonktür ve arızi faktörlere aittir.
Aylık veya üç aylık serilerde tahmini trend değerleri mevsim indeksiyle
çarpılarak tahmin değerine mevsim etkisi ilave edilir.
3.2.5.2. Kukla Değişken ile Mevsim Etkisinin Belirlenmesi Zaman serilerinde mevsim etkisinin deterministik olduğu, diğer bir ifadeyle
zaman içerisinde sabit bir seyir izlediği kabul edilmiş43 varsayıldığında mevsimsel
ilişkinin olup olmadığı kukla değişkenler yardımıyla belirlenebilir.44 Veriler üçer
aylık olduğunda,
t44332211t eDbDbDbDby ++++=
veriler aylık olduğunda,
43 Nebiye Yamak ve Rahmi Yamak, “Tüketici Fiyat Serilerinde Mevsimselliğin Türü ve Boyutu”, Uludağ Üniversitesi İİBF Dergisi, Cilt:16 No:2, 1998.s.1-10. 44 Bozkurt, A.g.e., s.17.
67
t121244332211t eDb.....DbDbDbDby ++++++=
modellerindeki katsayılar anlamlı olduğunda mevsimsel etkiyi ortaya koyacaktır.
Modellerdeki b’ler mevsim parametrelerini gösterirken, D’ler kukla değişkenlerdir.
Modelde sabit olmadığında üç aylık verilerde dört adet kukla değişken, aylık
verilerde ise oniki adet kukla değişken kullanılır. Modele sabit eklendiğinde değişken
kukla değişken sayısı üç aylık serilerde üç, aylık verilerde ise onbir olmaktadır. Sabit
ilave edilmiş model üçer aylık verilerde;
t332211t eDbDbDbay ++++=
aylık verilerde;
t1111332211t eDb.....DbDbDbay ++++++=
şeklinde yazılabilir. Üçer aylık verilerin modeldeki sabit ilk üç aya ait mevsim
etkisini gösterirken, b’ler, ikinci, üçüncü ve dördüncü üç aylık dönemdeki mevsim
etkisini ortaya çıkarmak için sabite eklenecek değeri gösterir.45 Örneğin, ikinci üç
aylık dönem için mevsim etkisi belirlenirken modelin sabiti olan a değerine ilave
edilmektedir. Aylık modelde yine benzer şekilde düşünülebilir. hata terimleri
mevsim etkisinden arındırılmış seriyi göstermektedir. Hata terimleri regresyon
varsayımlarını sağlamalıdır. Modeldeki kukla değişkenler veriler üçer aylık
olduğunda;
1b
te
1D1 = birinci üç ay
0D1 = kalan üç ay
veriler aylık ise;
1D1 = birinci ay
0D1 = kalan ay
olarak üzere kodlanarak analiz yapılır.
3.2.5.3. Kruskal-Wallis Testi Zaman serisindeki mevsim etkisi serinin grafiğinden anlaşılamadığında,
parametrik olmayan bir test olan Kruskal-Wallis testi ile serideki mevsim etkisi
45 Akgül, A.g.e., s.166.
68
ortaya çıkarılabilir.46 Bunun için serinin merkezi hareketli ortalama değerleri üç
aylık veriler için 4’erli, aylık veriler için 12’şerli olarak hesaplanır. Serinin gözlem
değerleri hareketli ortalama değerlerine bölünür ve elde edilen değerler küçükten
büyüğe doğru sıralanır. Daha sonra her üç aya veya her aya karşılık gelen sıralama
değerleri toplanır. Bulunan bu değerler aşağıdaki formül yardımıyla test
edilmektedir. Kruskal-Wallis test istatistiği;
∑ +−+
= )1N(3nR
)1N(N12KW
i
2i
Formülde;
N ; Serideki gözlem sayısı,
in ; her bir üçer ay veya her ay için sıralanan değer sayısını, 2iR ; her bir üçer ay veya her ay için sıralama değerlerinin toplamının
karesidir.
Üçer aylık veride dönem sayısı (s=4) dört, aylık veride ise dönem sayısı
(s=12) onikidir. Hesaplanan KW değeri tablo değerinden büyük ise, seride
mevsim etkisi yoktur diyen sıfır hipotezi reddelip, seride mevsim etkisinin olduğuna,
hespalanan KW değeri tablo değerinden küçük çıkması durumunda ise sıfır hipotezi
kabul edilerek seride mevsim etkisinin olmadığına karar verilir.
22/,1s α−χ
3.2.6. Konjonktür ve Arizi Faktör Bileşenlerinin Belirlenmesi Konjonktür dalgalanmaları zaman serilerinin önemli bir bileşenidir. Hem
yıllık verilerde, hem de aylık, üçer aylık gibi daha sık gözlem dönemlerinde de
görülebilir. Bu dalgalanmaların saptanması işletmelerde sektörün, ekonomide ise
sektörlerin hangi yönde hareket ettiğini, kısa dönemde sektörlerin ve işletmelerin
değerlendirilmesinde ve planlama ile kontrolde kullanılan kısa dönem tahminlerin
yapılmasına imkan vermektedir. Özellikle ekonomik zaman serilerinde gözlenen bu
dalgalanmaların kaynağı genel ekonomik şartlarda meydana gelen değişmelerdir.
Genel ekonomide yükselme, refah, kriz ve düşüş dönemleri konjonktürel dalgalanma
olarak tanımlanmaktadır. Bir konjonktür dalgasının uzunluğunu bulmak için iki refah
46 Kadılar, A.g.e., s.76.
69
veya iki düşüş dönemi arasındaki fark alınmaktadır.47 Konjonktür dalgalanmalarının
dalga uzunlukları eşit değildir.48
Ekonomik bir değişkenin trendi yükselişteyken konjonktürün de yükselmesi
trendin eğilimini arttırır. Tersi durumda, trendin artışına karşılık konjonktürdeki
düşüş trendin artış hızını yavaşlatabilir, hatta trendin negatif eğime geçmesini
sağlayabilir.49
Yıllık bir zaman serisinde değişkenin aldığı değerler, trend, konjonktür ve
arızi faktörlerin çarpımı şeklinde ifade edildiğinde buna çarpımsal model denildiğini
daha önce belirtmiş ve aşağıdaki gibi göstermiştik.
A.K.Tyt =
Yukarıdaki ifadeden açıkça göreleceği gibi konjonktür etkisi gözlem
değerinin trend değerine (trend fonksiyonu ile tahmin edilen) bölünmesiyle elde
edilir.
100*A.K100*T
A.K.T100*yy
t
t ==′
Böylece konjonktür etkisi arızi faktörlerin etkisiyle birlikte yüzde cinsinden
ortaya çıkarılmaktadır. Mevsim bileşenini de içeren serilerde (aylık, üç aylık vb.)
konjonktürün etkisini ortaya çıkarmak için gözlem değerlerinin trend ve mevsim
bileşenlerinden arındırılması gerekmektedir. Bileşenlerin çarpımı olan model
aşağıdaki gibi gösterilebilir.
A.K.M.Tyt =
Konjoktürün etkisini ortaya çıkarmak için;
100*A.K100*M.T
A.M.K.T100*M.y
y
t
t ==′
işlemleri yapılır. Bu işlemler neticesinde yüzde cinsinden bulanan değerler 100’ün
üzerinde ise konjonktür genel eğilimin üzerinde (trendi arttırıcı), 100’ün altında ise
konjonktür genel eğilimin altındadır (trendi azaltıcı).
47 Orhunbilge, A.g.e., s.70. 48 İsmail Hakkı Armutlulu, İşletmelerde uygulamalı İstatistik, Alfa Yayınları, İstanbul, 2000. s.282 49 A.e.
70
3.3. Düzgünleştirme Yöntemleri Düzgünleştirme yöntemleri ilk olarak 1950’lerin sonlarına doğru yöneylem
araştırmacıları tarafından geliştirilmiştir. Üstel düzgünleştirme yöntemlerini ilk
çalışanlar Holt, Brown ve Mageedir. Üstel düzgünleştirme yöntemlerinde en önemli
gelişmeler 1950’lerin sonu ile 1960’ların başlarındaki yayınlar olmuştur. Bu sıralarda
üstel düzgünleştirme yöntemleri hızla gelişmiş ve özellikle envanter tahminlerinde
geniş kullanım alanı bulmuştur. Düzgünleştirme yöntemlerinin geniş kullanımını
sağlayan avantajları basit ve düşük maliyetli olmalarıdır. Düzgünleştirme
yöntemlerinin uygulamada başlangıç değerlerinin belirlenmesi, optimizasyon ve
tahmin olmak üzere üç önemli aşaması vardır.50
Düzgünleştirme; haftalık, aylık, mevsimlik veya yıllık zaman serilerinin
tesadüfi veya düzgün olmayan dalgalanmalardan arındırılması anlamına gelmektedir.
Böylece serilerin içindeki gizli eğilimler ortaya çıkarılmaktadır. Dalgalanmalar bu
yöntemlerle yumuşatılmakta ve serinin genel eğilimi belirginleşmektedir.51
Örneğin bazı serilerde mevsim etkisinin çok güçlü olması trend veya
konjonktür hareketin görülmesini engelleyebilir veya karmaşık hale getirebilir. Bu
durumda düzgünleştirme yöntemlerinden biri ile mevsim etkisinden arındırılmakta
ve serinin uzun dönemdeki dalgalanmalarının açıkça görülmesi sağlanmış
olmaktadır. Mevsim etkisinin özellikleri her seride farklı olabileceğinden
düzgünleştirme yöntemleri de buna bağlı olarak değişmektedir.
İlk olarak gözlenen serinin doğrusallığı ile ilgili olarak ortaya konan
düzgünleştirme yöntemleri, zaman içinde serideki doğrusal olmamayı da kapsayacak
şekilde geliştirilmiştir. Serinin doğrusal olmaması durumunda ARIMA modellerinin
kullanılıyor olması ve kullanım sırasında karşılaşılan zorluklar, doğrusal olmayan
seriler ile ilgili çalışmaların yapılmasına neden olmuştur ve bu bağlamda
Gardner(1985) ve McKenzie(1974) tarafından önemli çalışmalar yapılmıştır.
Makridakis ve Hibon (1979), Makridakis ve diğerleri (1982), tarafından yapılan
çalışmalarda da üstel düzgünleştirme modelleri ile ARIMA modellerinin tahmin
kesinliği arasındaki farkın küçük olduğunun bulunması üzerine kullanım alanı
genişlemiştir. 50 Makridakis, Wheelwright ve Hyndman, A.g.e., s.136. 51 Orhunbilge, A.g.e., s.91.
71
Daha önce belirtildiği gibi mevsim etkisini, tesadüfi değişmelerin etkisini yok
etmek veya azaltmak için kullanılan yöntemler genel olarak düzgünleştirme olarak
adlandırılmakta; ortalama yöntemi ve üstel düzgünleştirme yöntemleri olmak üzere
iki grupta incelenmektedir.52
3.3.1. Hareketli Ortalamalar Yöntemi Trendin belirlenmesinde de kullanılan hareketli ortalamalar yöntemiyle, seri
dalgalanmalardan arındırılarak düzgünleştirilmekte ve böylece serinin genel eğilimi
ortaya çıkarılmaktadır. Yöntemde k dönemin ortalaması alınırken gözlem değerlerine
eşit ağırlık verilmektedir. Dönem sayısı belirlenirken önemli dalgalanmalar ve çok
veri kaybı olmamalıdır.53 Genel olarak merkezi ve basit hareketli ortalama olarak iki
yaklaşım vardır. Düzgünleştirme yöntemi tahmin amaçlı olduğunda basit hareketli
ortalama yöntemi kullanılmaktadır. Başlık 3.2.1’de sözkonusu yöntemler anlatılıdığı
için burada tekrar edilmemektedir.
3.3.2. Üstel Düzgünleştirme Yöntemleri Üstel düzgüleştirme yöntemlerinde düzgünleştirme işlemi yapılırken hareketli
ortalamalardaki gibi serinin gözlem değerlerine eşit değil, farklı ağırlık
verilmektedir.
3.3.2.1. Basit Üstel Düzgünleştirme Yöntemi Bu yöntemde zaman serisinin belirgin bir trendinin ve mevsimlik
dalgalanmasının olmadığı54 buna karşılık serinin ortalamasının zaman içinde çok
yavaş değiştiği55, başka bir ifadeyle serideki dalgalanmaların nedeninin tesadüfi
hatalar olduğu varsayılmaktadır.56 , , ....... belirgin bir trendi ve mevsimlik
dalgalanması olmayan bir zaman serisinin basit üstel düzgünleştirme yöntemiyle
tahmini şöyle yapılmakatdır.
1y 2y ny
57
( ) 1t1tt y1yy −− ′α−+α=′ 52 Akgül, A.g.e., s. 82. 53 A.e., s. 84. 54 Orhunbilge, A.g.e., s.95. 55 Bowerman ve O’Connell, A.g.e., s.380. 56 Akgül, A.g.e., s.100. 57 Orhunbilge, A.g.e., s.96.
72
Formülde;
; t dönemdeki tahmini değeri, ty′
; t-1 dönemi gözlem değeri, 1ty −
; t-1 dönemi tahmini değeri 1ty −′
; düzgünleştirme katsayısını temsil etmektedirler. α
Bu düzgünleştirme yönteminde t dönemi tahmini değeri, α oranında bir önceki
dönem değeri ile oranında bir önceki dönem tahmin değerinden oluşmaktadır.
Düzgünleştirme katsayısı ,
( α−1 )α 10 <α< değerleri arasında değişebilmektedir. Seriye
uygun değerinin belirlenebilmesi için 0 ile 1 arasındaki tüm değerler denenerek
hataların kareleri toplamı veya ortalaması hesaplanır.
α
( )∑ ∑= =
′−=n
1t
n
1t
2tt
2t yye
Hataların kareleri toplamını minimum yapan α değeri seçilerek tahminlerde
kullanılmaktadır. ’nın değerinin küçük ve sıfıra yakın olması durumunda
ağırlıklarda azalma daha yavaş olmaktadır. Küçük
α
α değerleri zaman serisinin
geçmiş değerlerine daha çok ağırlık verirken düzgünleştirilmiş seri yakın geçmiş
değerlerdeki hızlı değişmelerden etkilenmemekte gözlem değerleri serisinden daha
düz görünmektedir. , bir olduğunda herbir düzgünleştirilen değer bir önceki
gözlem değerine eşit olmaktadır.
α
α ’ nın bire yakın olması durumunda ağırlıklar
hızla azalmaktadır. ’nın büyük değerleri yakın geçmiş değerlere daha çok ağırlık
vermekte düzgünleştirilen seri gözlem değerleri serisine benzer şekilde elde
edilmektedir.
α
58
Yönteme üstel düzgünleştirme denilmesinin nedeni, tahminlerde geçmiş
dönem verilerine üstel olarak azalan ağırlıklar verilmesindendir. Nitekim değeri
açıldığında ve formülünde yerine konulduğunda;
1ty −′
ty′
( ) 2t2t1t y1yy −−− ′α−+α=′
( ) ( )[ ]2t2t1tt y1y1yy −−− ′α−+αα−+α=′
( ) ( ) 2t2
2t1tt y1y1yy −−− ′α−+α−α+α=′
58 Akgül, A.g.e., s.102-103.
73
formülü elde edilir. açılırsa aşağıdaki formüle ulaşılacaktır. 2ty −′
( ) ( ) ( )[ ]3t3t2
2t1tt y1y1y1yy −−−− ′α−+αα−+α−α+α=′
( ) ( ) ( ) 3t3
3t2
2t1tt y1y1y1yy −−−− ′α−+α−α+α−α+α=′
Böylece tahminde eski dönem değerlerine üstel olarak azalan ağırlıklar
verilmektedir. Ağırlıklar önce hızla azalmakta, zaman geriye doğru gittikçe daha
yavaş azalmakta, ancak hiçbir zaman sıfır olmamaktadır. Basit üstel düzgünleştirme
formülü;
( ) 1t1tt y1yy −− ′α−+α=′
1t1t1tt yyyy −−− ′α−′+α=′
α parantezinde,
( )1t1t1tt yyyy −−− ′−α+′=′
1t1t1t eyy −−− =′− olduğundan
1t1tt eyy −− α+′=′
şeklinde de yazılabilir. Böylece t dönemi tahmini, bir önceki dönem tahminine α
ağırlıkta son dönem tahmin hatası ilave edilerek yapılmaktadır. Bu yolla yapılan
tahmin hataları yeni dönem tahminlerinin düzeltilmesinde kullanılmaktadır.
İncelenen dönemin ilk tahmini yapılırken genellikle bir önceki dönemin
tahmini değeri yerine gözlem değeri kullanılmaktadır. Bir diğer yol da bir kaç dönem
gözlem değerlerinin ortalamasının 1ty −′ değeri olarak kullanılmasıdır.
3.3.2.2. Brown’ın İkili Üstel Düzgünleştirme Yöntemi Brown’nın tek parametreli doğrusal üstel düzgünleştirme yönteminin temeli,
basit üstel düzgünleştirme yönteminin iki kere uygulanmasına dayanmaktadır.
Zaman serilerinde mevsim etkisinin gözlemlenmediği ve serinin trendinin doğrusal
olduğu durumlarda tahmin için uygun bir yöntem olmaktadır. düzgünleştirme
parametresi kullanılarak değerleri elde edilmektedir. Elde edilen bu değerler,
α
ty′ α
düzgünleştirme katsayısıyla ikinci kez düzgünleştirilerek değerlerine
ulaşılmaktadır.
ty ′′
74
( ) 1ttt y1yy −′α−+α=′
( ) 1ttt y1yy −′′α−+′α=′′
; tek düzgünleştirme ile elde edilen değer ty′
; ikinci kez düzgünleştirme ile elde edilen değer ty ′′
ty′ ve değerleri kullanılarak zamanda güncellenmiş trend doğrusunun y
eksenini kestiği tahmini değeri gösteren
ty ′′ t59 ve trend doğrusunun tahmini eğimini
gösteren değeri aşağıdaki formüller yardımıyla hesaplanmaktadır.
ta
tb
( ) tttttt yy2yyya ′′−′=′′−′+′=
( )ttt yy1
b ′′−′α−
α=
ve değerleri her dönem için tekrar hesaplanmaktadır. m tahmin
yapılacak dönem sayısını göstermek üzere
ta tb
mt + dönemdeki tahmin değeri;
mbay ttmt +=+
ile elde edilebilmektedir. Başlangıçtaki ty′ ve ty ′′ değerlerini hesaplamak için 1ty −′ ve
değerleri yerine değeri veya birkaç dönemin ortalaması kullanılabilir.
Düzgünleştirme katsayısı olan
2ty −′′ ty
α nın seçiminde 0-1 arasındaki tüm değerler
denenerek hata kareleri toplamını minimum yapan α değeri belirlenir ve
tahminlerde kullanılır.
3.3.2.3. Holt’un İkili Üstel Düzgünleştirme Yöntemi Holt’un ikili üstel düzgünleştirme yöntemi Brown’un tek parametreli
doğrusal üstel düzgünleştirme yönteminde ikinci düzgünleştirmede farklı
düzgünleştirme parametresi kullanılmasına izin vermektedir. Mevsim etkisi
taşımayan zaman serilerininin tahmininde uygun olduğu kabul edilmektedir.60 Bu
yöntem Holt-Winters Mevsimsel Olmayan Üstel Düzgünleştirme yöntemi olarak da
bilinmektedir. Yöntemin güncelleştirme denklemleri,
( ) 1ttt y1yy −′α−+α=′
59 Bowerman ve O’Connell, A.g.e., s.390. 60 Akgül, A.g.e., s.116-117.
75
( ) 1ttt y1yy −′′α′−+′α′=′′
şeklinde ifade edilmektedir. α veα′ düzgünleştirme katsayıları 0 ile 1 arasında
değerler almakta olup, birbirinden farklıdır. İlk denklemde seriye basit üstel
düzgünleştirme yöntemi uygulanarak ty′ değerleri elde edilmektedir. değerleri
ikinci denklemde tekrar düzgünleştirmeye tabi tutulurken yeni bir düzgünleştirme
parametresi kullanılmaktadır.
ty′
3.3.2.4. Holt’un İki Parametreli Doğrusal Üstel Düzgünleştirme Yöntemi Zaman serilerinin çoğunun uzun dönemde aşağı ve yukarı doğru bir
eğiliminin olduğu görülmekte ve üstel düzgünleştirme yöntemlerinin bu gibi serilerin
tahmininde kullanılması durumunda da negatif sapmalı tahmin söz konusu
olmaktadır. Holt’un iki parametreli doğrusal üstel düzgünleştirme yöntemi zaman
serisinde mevsim etkisi olmayan ancak doğrusal bir trendinin olması durumunda
uygun yöntem olarak kabul görmektedir.61
Holt’un doğrusal üstel düzgünleştirme ile tahmin yöntemi, değerleri 0 ile 1
arasında değişen ve gibi iki düzgünleştirme katsayısı ve üç denklem
kullanmaktadır. Birinci denklemde;
α γ
ty′ , t zamanda serinin düzgünleştirilmiş tahmini
değerini, ise yine t zamanda serinin tahmini eğimini göstermektedir. İlk
denklemde; önceki döneme ait trend son düzgünleştirilmiş değer olan
tb
1tb − 1ty −′ ’e
ilave edilmektedir. Bu işlem gecikmeyi önlemekte ve ty′ değerini cari gözlem
değerine yaklaştırmaktadır. İkinci denklemde trend güncellenmekte, bu
düzgünleştirilmiş son iki değer arasındaki farkı ortaya çıkarmaktadır. Bu uygun bir
yaklaşımdır. Çünkü, eğer verilerde bir trend var ise yeni değerler bir öncekine göre
daha yüksek veya daha düşük olabilir. 1tt yy −′−′ değeri ile düzeltilmekte ve γ ( )γ−1
ile çarpılmış önceki dönem tahmini trend değerine ilave edilmektedir. Son denklem
tahminerde kullanılmaktadır. Trend bileşeni tahmin edilecek olan dönem sayısı m ile
çarpılmakta ve düzgünleştirilmiş değer ile toplanmaktadır.62
( )( 1t1ttt by1yy −− )+′α−+α=′ (üstel düzgünleştirilen bileşen)
61 A.e., s.124. 62 Makridakis, Wheelwright ve Hyndman, A.g.e., s.158.
76
( ) ( ) 1t1ttt b1yyb −− γ−+′−′γ= (trend bileşeni)
mbyy ttmt +′=+ (tahmin denklemi)
Diğer üstel düzgünleştirme yöntemlerinde olduğu gibi α ve için hata kareleri
toplamını minimum yapan değerler 0 ile 1 arasındaki tüm değerlerin denenmesiyle
bulunmaktadır. ’nın sıfıra yakın olması durumunda zaman serisinin geçmiş
değerlerine ağırlık verilmekte, bire yakın olması durumunda ise serinin cari
değerlerine ağırlık verilmektedir. ’nın sıfıra yakın olduğunda trendin geçmiş dönem
değerleri önem kazanmakta, sıfır olduğunda trend bileşeni zaman serisinin tüm
değerleri ve tahmin için değişmemekte, bire yakın olması durumunda
düzgünleştirilmiş değerler arasındaki değişimler
γ
α
γ
( )1tt yy −′−′ daha fazla öneme sahip
olmaktadır.63 α ve biribirine eşit γ ( )γ=α olduğunda yöntem Brown’ın ikili üstel
düzgünleştirme yöntemine eş olmaktadır.64
Yöntemin başlangıç değerleri için iki seçenek önerilmektedir. İlk seçenekte
ilk düzgünleştirilmiş değer olan 11 yy =′ olurken, trend bileşeninin ilk değeri
veya 121 yyb −= ( ) 3/yyb 141 −= şeklinde elde edilebilmektedir. ve için
diğer seçenekte serinin başlangıçtaki birkaç değerini kullanarak en küçük hata
karelerini veren bir regresyon denkleminden elde edilmesi önerilmektedir.
1y′ 1b
65
3.3.2.5. Brown’ın Tek Parametreli İkinci Derece Düzgünleştirme
Yöntemi Zaman serilerinin doğrusal değil de ikinci, üçüncü ve daha üst dereceden bir
trende sahip olması durumunda kullanılabilen bu yöntem Brown tarafından 1963
yılında tanıtılmıştır.66 Yönteme üçlü üstel düzgünleştirme yöntemi de denilmektedir.
Durağan olmayan seriler için uygun olduğu söylenen yöntemde basit üstel
düzgünleştirme yöntemi seriyi düzgünleştirmek amacıyla üç kez uygulanmaktadır.
İlk adımda serisi düzgünleştirilerek ty ty′ serisi, ikinci adımda düzgünleştirilmiş
olan serisi düzgünleştiriletirilerek ty′ ty ′′ serisi ve üçüncü adımda serisi tekrar ty ′′
63 Akgül, A.g.e., s.126. 64 Makridakis, Wheelwright ve Hyndman, A.g.e., s.159. 65 A.e., s.160. 66 Akgül, A.g.e., s.118.
77
düzgünleştirilerek serisi elde edilmektedir. Düzgünleştirme işlemlerinde
kullanılan parametresi 0 ile 1 arasında bir değer almakta ve uygun değeri hata
kareleri toplamını minimum yapacak şekilde belirlenmektedir. Her adımda
düzgünleştirme sabiti α aynı değerdir. Aşağıda düzgünleştirme işlemlerinin nasıl
yapıldığı ve tahmin denkleminin parametreleri olan , ve nin nasıl
hesaplandığı gösterilmektedir.
ty ′′′
α
ta tb tc
( ) 1ttt yα1yy −′−+α=′
( ) 1ttt y1yy −′′α−+′α=′′
( ) 1ttt y1yy −′′′α−+′′α=′′′
tttt yy3y3a ′′′+′′−′=
( )
( ) ( ) ( )[ ]ttt2t y34y810y5612
b ′′′α−+′′α−−′α−α−
α=
( )
( )ttt2
2
t yy2y1
c ′′′+′′−′α−
α=
Brown’un ikinci derece üstel düzgünleştirme yöntemiyle tahminler aşağıdaki
eşitlik yardımıyla elde edilmektedir.
2tttmt mc
21mbay ++=+
3.3.2.6. Holt Winters İki Parametreli İkili Üstel Düzgünleştirme Yöntemi
– Üstel Trend Zaman serilerinin trendi bazen doğrusal ve eğrisel değil de üstel
olabilmektedir. Bu tür seriler sabit bir oranda değişmektedir. Böyle seriler için
uygulanabilecek üstel düzgünleştirme yönteminde, α ile seri genel olarak
düzgünleştirilmekte, trendin düzgünleştirilmesi için ise katsayısı kullanılmaktadır.
Katsayılara ait kısıtlar diğer üstel düzgünleştirme yöntemleriyle paralellik
göstermektedir. Yöntemin güncelleştirme ve tahmin denklemleri aşağıdaki gibi
gösterilmektedir.
γ
67
67 Bowerman ve O’Connell, A.g.e., s.421-422.
78
( )( )( )1t1ttt by1yy −−′α−+α=′ (Serinin genel düzgünleştirilmesi )
( ) 1t1t
tt b1
yy
b −−
γ−+⎟⎟⎠
⎞⎜⎜⎝
⎛′′
γ= (Serinin trendinin düzgünleştirilmesi)
( )mttmt byy ′=+ (Tahmin denklemi)
3.3.2.7. Yavaşlayan (Damped) Trend Üstel Düzgünleştirme Yöntemi Üstel düzgünleştirme yöntemlerinde trendin doğrusal olması dışında alternatif
olarak önerilen yavaşlayan trend yaklaşımında söz konusu olan trend, serilerin uzun
dönemde gösterdikleri eğilimin zaman içinde etkisinin gitgide azalması durumunda
ortaya çıkan trendi tanımlamakta ve bu gibi trende sahip olan seriler için de
yavaşlayan trend fonksiyonu uygun olmaktadır.68
Yavaşlayan trend yöntemi mevsim etkisi taşıyan zaman serileri69 ve
mevsim etkisi taşımayan zaman serileri için farklılık göstermektedir. Yöntemin
güncelleştirme denklemleri yazılırken kullanılan düzgünleştirme katsayıları;
α ; genel düzgünleştirme katsayısı 10 <α<
γ ; trend düzgünleştirme katsayısı 10 <γ<
π ; yavaşlama katsayısı 10 ≤π<
kısıtları ile ifade edilmektedir. Hata kareleri toplamını en küçük yapacak katsayılar
seçilmektedir.
Mevsim etkisi taşımayan zaman serileri için yavaşlayan trend düzgünleştirme
yönteminin güncelleştirme denklemleri aşağıdaki gibidir;
( )( 1t1ttt by1yy −− )π+′α−+α=′ (Serinin genel düzgünleştirilmesi)
( ) ( ) 1t1ttt b1yyb −− πγ−+′−′γ= (Serinin trendinin düzgünleştirilmesi)
İlk gözleme ait düzgünleştirilmiş tahmin değeri için gereken başlangıç trendi (ilk
dönem trendi) ve
0b
0y ;
1nyy1b 1n
0 −−
π=
68 Akgül, A.g.e., s.131. 69 Winters Yöntemi içinde ele alınmıştır.
79
2
byy 01
0−
=
formülleriyle elde edilmektedir.
1y ; ilk gözlem değerini,
ny ; son gözlem değerini,
n ; gözlem sayısını
Yöntemin tahmin denklemi ise,
’dir. ∑=
+ π+′=m
1it
itmt byy
3.3.2.8. Winters’ın Üstel Düzgünleştirme Yöntemi Mevsim etkisi olmayan zaman serilerinde daha önce değinilen hareketli
ortalama ve üstel düzgünleştirme yöntemleri kullanılabilir. Ancak seride mevsim
etkisi var ise bu yöntemler yetersiz kalmaktadır. Örneğin mevsim etkisinde olan bir
seriye basit üstel düzgünleştirme ve Holt’un iki parametreli doğrusal üstel
düzgünleştirme yöntemini uygularsak tahmin hatalarında sistematik hatalı bir yapı
gözlenecektir. Bu sistematik hataları ortadan kaldırmak için mevsim bileşenini içeren
bir yöntemin kullanılması gerekmektedir.70
Mevsimlik zaman serileri; doğrusal, ikinci derece, üstel ve yavaşlayan
(damped) trende sahip olabilecekleri gibi, herhangi bir trende de sahip
olmayabilirler. Winters Yöntemi böyle trende sahip veya sahip olmayan seriler için
yazılabilmektedir. Bunlar içinde yaygın olarak bilineni doğrusal trende sahip olan
Winters Yöntemidir.
Winters Yönteminin güncelleştirme denklemleri yazılırken kullanılan
düzgünleştirme katsayıları;
α ; genel düzgünleştirme katsayısı 10 <α<
γ ; trend düzgünleştirme katsayısı 10 <γ<
β ; mevsimsel düzgünleştirme katsayısı 10 <β<
π ; yavaşlama katsayısı 10 ≤π<
70 Makridakis, Wheelwright ve Hyndman, A.ge., s.162
80
kısıtları ile ifade edilmektedir. Diğer üstel düzgünleştirme yöntemlerinde olduğu gibi
hata kareleri toplamını en küçük yapacak katsayılar seçilmektedir.
3.3.2.8.1. Winters’ın Üstel Düzgünleştirme Yöntemi-Doğrusal Trend Doğrusal trende ve mevsimlik dalgalanmaya sahip serilerin tahmininde
Winters’ın Üstel Düzgünleştirme Yöntemi kullanılmaktadır. Bu yöntem önce serinin
genel düzeyine, trendine ve sonra mevsim bileşenine uygulanmaktadır.71 Winters’ın
üstel düzgünleştirme yönteminde zaman serilerinde mevsimin etkisinin oluşumuna
bağlı olarak; Winters’ın Toplam Modeli ve Winters’ın Çarpım Modeli olarak
adlandırılan iki farklı model kullanımı önerilmektedir.72
Winters’ın toplam modeli için güncelleştirme denklemleri;
( ) ( )( )1t1tsttt by1Iyy −−− +′α−+−α=′ (Serinin genel
düzgünleştirilmesi)
( ) ( ) 1t1ttt b1yyb −− γ−+′−′γ= (Serinin trendinin
düzgünleştirilmesi)
( ) ( ) stttt I1yyI −β−+′−β= (Mevsim etkisinin
düzgünleştirilmesi)
olacak şekilde ve kısıtları ile ifade edilmektedir. α genel düzgünleştirme katsayısı,
trend düzgünleştirme katsayısı ve γ β mevsimsel düzgünleştirme katsayısıdır.
Winters’ın toplam modeli ile tahmin ise aşağıdaki denklem yardımıyla
yapılmaktadır:
mstttmt Imbyy +−+ ++′=
Winters’ın çarpım modeli için güncelleştirme denklemleri,
( )( 1t1tst
tt by1
Iy
y −−−
+′α−+α=′ ) (Serinin genel
düzgünleştirilmesi)
( ) ( ) 1t1ttt b1yyb −− γ−+′−′γ= (Serinin trendinin düzgünleştirilmesi)
71 Kadılar, A.g.e., s.166. 72 Akgül,A.g.e., s.135.
81
( ) stt
tt I1
yy
I −β−+′
β= (Mevsim etkisinin düzgünleştirilmesi)
Winters’ın çarpım modeli ile tahmin ise aşağıdaki denklem yardımıyla
yapılmaktadır:
( ) mstttmt Imbyy +−+ +′=
Yukarıdaki denklemleri tahminlerde kullanabilmek için ilk gözlemler için
başlangıç değerlerinin hesaplanması gerekmektedir. Trend bileşenin başlagıç değeri;
( )s1kyyb 1k
0 −−
=
şeklinde hesaplanmaktadır. Burada;
ky ; son yıla ait gözlem değerlerinin ortalaması
1y ; ilk yıla ait gözlem değerlerinin ortalaması
; gözlemlenen yıl sayısı k
s; bir yıldaki mevsim sayısıdır (ay veya çeyrek sayısı).
0b başlangıç değeri ilk yıldan son yıla kadar her bir dönemdeki ortalama değişmeyi
göstermektedir. Sürekli bileşen ty′ nin başlangıç değeri olan ; 0y
2sbyy 010 −=
yardımıyla elde edilmektedir.
3.3.2.8.2. Winters’ın Üstel Düzgünleştirme Yöntemi-Üstel Trend Bir zaman serisinin değerleri sabit bir hızla artıyor veya azalıyor ise böyle
seriler üstel bir trende sahiptirler. Winters yönteminin güncelleştirme ve tahmin
denklemleri mevsim bileşenin toplamsal veya çarpımsal olma özelliğine göre
aşağıdaki gibi yazılabilir.73
Üstel trende sahip çarpımsal Winters Modelinin güncelleştirme denklemleri;
( ) 1t1tst
tt by1
Iy
y −−−
′α−+α=′ (Serinin genel düzgünleştirilmesi)
73 Bowerman ve O’connell, A.g.e., s.421.
82
( ) 1t1t
tt b1
yy
b −−
γ−+⎟⎟⎠
⎞⎜⎜⎝
⎛′′
γ= (Serinin trendinin düzgünleştirilmesi)
( ) stt
tt I1
yy
I −β−+′
β= (Mevsim etkisinin düzgünleştirilmesi)
Tahmin denklemi;
( ) mstm
ttmt Ibyy +−+ ′=
Üstel trende sahip Toplamsal Winters Düzgünleştirme Modeli
Güncelleştirme denklemleri;
( ) ( )[ ]1t1tsttt by1Iyy −−− ′α−+−α=′ (Serinin genel düzgünleştirilmesi)
( ) 1t1t
tt b1
yy
b −−
γ−+⎟⎟⎠
⎞⎜⎜⎝
⎛′′
γ= (Serinin trendinin düzgünleştirilmesi)
( ) ( ) stttt I1yyI −β−+′−β= (Mevsim etkisinin düzgünleştirilmesi)
Tahmin denklemi;
mstmttmt Ibyy +−+ +′=
3.3.2.8.3. Winters’ın Üstel Düzgünleştirme Yöntemi-Yavaşlayan Trend Mevsimsel olmayan serilerin bazılarında uygun olan yavaşlayan trend
tanımlanması, bazı mevsimsel seriler için de uygun olmaktadır. Ayrıca mevsimsel
yavaşlayan trend üstel düzgünleştirme yönteminde zaman serilerinde mevsim etkisi
oluşumuna bağlı olarak toplamsal mevsimsellik durumunda yavaşlayan trend ve
çarpımsal mevsimsellik durumunda yavaşlayan trend olarak adlandırılan iki farklı
model kullanımı önerilmektedir.74
Toplamsal Mevsimsellik durumunda yavaşlayan trend modeli için
güncelleştirme denklemleri:75
( ) ( )( )1t1tsttt by1Iyy −−− π+′α−+−α=′ (Serinin genel
düzgünleştirilmesi)
( ) ( ) 1t1ttt b1yyb −− πγ−+′−′γ= (Serinin trendinin düzgünleştirilmesi)
74 Akgül, A.g.e., s. 143-144. 75 A.e., s.144-145.
83
( ) ( ) stttt I1yyI −β−+′−β= (Mevsim etkisinin düzgünleştirilmesi)
Tahminde kullanılacak denklem;
∑=
+−+ +π+′=m
1imstt
itmt Ibyy
Çarpımsal mevsimsellik durumunda yavaşlayan trend yöntemi güncelleştirme
denklemleri:76
( )( 1t1tLt
tt by1
Iy
y −−−
π+′α−+α
=′ ) (Serinin genel düzgünleştirilmesi)
( ) ( ) 1t1ttt b1yyb −− πγ−+′−′γ= (Serinin trendinin düzgünleştirilmesi)
( ) stt
tt I1
yy
I −β−+′
β= (Mevsim etkisinin düzgünleştirilmesi)
Yukarıdaki denklemleri tahminlerde kullanabilmek için serinin ilk
gözlemleri için düzgünleştirilmiş tahmin değerinin elde edilmesini sağlayan
başlangıç değerleri;
( )s1kyy1b 1k
0 −−
π=
s*2
byy 0
10 −=
Yönteme ait tahmin denklemi;
mst
m
1it
itmt Ibyy +−
=+ ⎟
⎠
⎞⎜⎝
⎛π+′= ∑
3.3.2.8.4. Winters’ın Üstel Düzgünleştirme Yöntemi-Trendsiz Winters methodu trendi olmayan zaman serilerine de uyarlanabilir. Böyle
serilerin ortalama bir değeri ve mevsim etkisi bulurken, trendi bulunmamaktadır.
Trende sahip olmayan çarpımsal Winters modeli için güncelleştirme ve tahmin
denklemleri aşağıdaki gibi yazılmaktadır.77
( ) 1tLt
tt y1
Iy
y −−
′α−+α=′ (Serinin genel düzgünleştirilmesi)
76 A.e., s.146-148. 77 Bowerman ve O’connell, A.g.e., s.415.
84
( ) Ltt
tt I1
yy
I −β−+′
β= (Mevsim etkisinin düzgünleştirilmesi)
mLttmt Iyy +−+ ′= (Tahmin denklemi)
3.4. OTOREGRESSİF MODELLER VE HAREKETLİ
ORTALAMALAR YÖNTEMLERİ Otoregressif modeller 1926 yılında ilk kez Yule tarafından, hareketli ortalama
modeller ise 1937’de Slutsky tarafından önerilmiştir. 1938 yılında Wold otoregressif
modeller ile hareketli ortalama modellerini birleştirerek otoregressif hareketli
ortalama yöntemini geliştirmiştir. Sözkonusu modeller teorik olarak durağan zaman
serilerinin modellenmesinde geniş olanaklar sağlamışlardır. Ancak modellerin
kullanımı 1960’larda bilgisayar teknolojisindeki gelişmelere paralel olarak
yaygınlaşabilmiştir.78
Bu model geliştirme yöntemi zaman serileri analizinde sıklıkla kullanılan bir
yöntemdir. Yöntem bir çok alternatif model arasından en iyi modeli seçerek geleceği
tahmin etmeye yöneliktir. Bir değişkene ilişkin yapılacak tahmin, değişkenin
gecikmeli değerleri, hata terimleri ve her ikisinin kombinasyonu ile yapılmaktadır.
Bu haliyle değişken kendi dinamiği ile açıklanmaya çalışılmaktadır. Otoregressif,
hareketli ortalama ve ikisinin birleşimi otoregressif hareketli ortalama olmak üzere
üç modelleme söz konusudur. Mevsim etkisi taşımayan değişken, Otoregressif
modellerde (AR) geçmiş değerlerinin bir fonksiyonu, hareketli ortalama modellerde
(MA) hata terimlerinin bir fonksiyonu, otoregressif hareketli ortalama modellerinde
(ARMA) ise geçmiş değerlerinin ve hata terimlerinin ortak bir fonksiyonu şeklinde
elde edilmektedir. Durağan olmayan bir zaman serisini durağanlaştırmak için fark
almak gerektiğinde ARMA modeli Bütünleşik Otoregressif Hareketli Ortalama
(ARIMA) modeline dönüşmektedir
Box-Jenkins modeller adı da verilen bu modeller üstel düzgünleştirme
yöntemlerinin genelleştirilmiş biçimi olup mevsimsel ve mevsimsel olmayan
modeller şeklinde ikiye ayrılmaktadır. Mevsimsel olmayan Box-Jenkins modelleri
78 Sypros Makridakis ve Michéle Hibon, “ARMA Models and the Box-Jenkins Methodology”, Journal of Forecasting, Cilt:16, No:3, 1997, s.147-163.
85
genel olarak ARIMA(p,d,q) şeklinde gösterilmektedir. Burada p otoregressif (AR)
modelin derecesi, d fark alma işlemi sayısı ve q hareketli ortalama (MA) modelinin
derecesi olmaktadır. Mevsimsel Box-Jenkins modelleri ise genelde
ARIMA(p,d,q)(P,D,Q) biçiminde ifade edilmektedir. Burada P mevsimsel
otoregressif (SAR) modelin derecesi, D mevsimsel fark alma işlemi sayısı, Q
mevsimsel hareketli ortalama (SMA) modelinin derecesi ve s mevsim periyodu
olmaktadır.
s
Box-Jenkins modellerin uygulanabilmesi için öncelikle serinin trendinden ve
mevsim etkisinden arındırılması, yani serinin durağan hale getirilmiş olması
gerekmektedir. Durağan olan ya da durağan hale getirilen serinin otokorelasyon
fonksiyonu ve kısmi otokorelasyon fonksiyonu grafiklerine göre seriye uygun
olabilecek model belirlenir. Bu belirleme işlemine göre eğer otokorelasyon
fonksiyonu (OKF) grafiğindeki ilişki miktarları gecikme sayısı arttıkça yavaş yavaş
azalıyor, ama kısmi otokorelasyon fonksiyonu (KOKF) grafiğinde bu azalma bir
anda, yani hızlı bir şekilde oluyorsa seriye AR model uygun olmaktadır. Bunun tam
tersi, yani KOKF grafiğindeki ilişki miktarları yavaş yavaş azalırken OKF
grafiğindeki ilişki miktarları hızlı bir şekilde azalıyorsa seriye MA model uygun
olmaktadır. Hem OKF hem de KOKF grafiklerindeki ilişki miktarlarının azalışı
yavaş yavaş olursa ARIMA model uygun olmaktadır.
3.4.1. AR(1) Modeli Otoregressif modellerde değişkenin aldığı değerler geçmiş değerlerinin
doğrusal bir fonksiyonu olarak modellenmektedir. Öncelikli olarak otokorelasyon ve
kısmi otokorelasyon katsayıların incelenmesi gerekmektedir. Otokorelasyon
katsayıları üstel olarak sıfıra yaklaşıyorsa otoregressif bir süreç olduğu anlaşılır.
Otokorelasyon katsayıları üstel olarak sıfıra yaklaşırken ilk gecikmeli kısmi
otokorelasyon katsayısı anlamlı, diğerleri anlamsız ise AR(1) modeli uygundur. Sabit
parametre içermeyen AR(1) modeli aşağıdaki gibidir.
t1t1t eyy +φ= − (1)
Modelden anlaşılacağı gibi , kendinden önceki gözlem değerine
bağımlıdır. Buna Markov süreci de denmektedir. Daha üst dereceden otoregressif
ty )y( 1t−
86
modeller Markov süreci değildirler.79 Modeldeki hata terimi, 0 ortalama ve 1
varyansla normal bir dağılım göstermektedir. Diğer bir ifadeyle hata terimleri bir
beyaz gürültü serisidir.
te
80 Modeldeki hata terimi yalnız bırakılırsa,
t1t1t eyy =φ− − (2)
şeklinde yazılabilir. Sabiti olmayan birinci dereceden otoregressif modeli gecikme
işlemcisi ile (3) nolu eşitliğe dönüşür.
( ) tt1 eyL1 =φ− (3)
(3) nolu eşitlikte yalnız bırakılıp gerekli işlemler yapıldıktan sonra (4) nolu eşitlik
elde edilir.
ty
( ) t1
1t eL1y −φ−=
( ) t22
11t e......LL1y +φ+φ+=
....eeey 2t211t1tt +φ+φ+= −− (4)
(4) eşitlik bir doğrusal filtreleme gösterimi 11 <φ olması halinde yakınsayacağından
parametresinin mutlak değerinin 1’den küçük olması durağanlık koşulu olarak
adlandırılmaktadır.
1φ
81 Birinci dereceden otoregressif modelde ise, (1) nolu
eşitlikten görüleceği üzere serisi bir beyaz gürültü serisi olacaktır.
01 =φ
ty 11 =φ
olduğunda ise, serisi rassal yürüyüş serisi olmaktadır.ty 82 11 <φ iken serisi
durağandır. Ancak
ty
11 >φ olması durumunda serisi her bir dönemde sürekli
büyüme eğilimi göstermektedir. Dolayısıyla durağan olmayan serisinin varyansı
da zamana bağlı olarak artacaktır.
ty
ty83
Hareketli ortalama modelinde serisinin değerleri, hata teriminin gecikmeli
değerlerinin bir doğrusal kombinasyonu olarak tahmin edilmektedir. (1) eşitlikteki
AR(1) modeli, hareketli ortalama MA(q) modeli ile ifade edilebildiğinden AR(1)
modeli çevrilebilirdir. Bunu (4) eşitlikte görmekteyiz.
ty
79 Charles R. Nelson, Applied Time Series Analysis For Managerial Forecasting, Holden Day, Inc., 1973, s.39. 80 Makridakis, Wheelwright ve Hyndman, A.g.e., s.337 81 Akgül, A.g.e., s.50. 82 Makridakis, Wheelwright ve Hyndman, A.g.e., s.337 83 Akgül, A.g.e., s.50.
87
Sabit terime sahip birinci dereceden otoregressif model, ( )0φ
t1t10t eyy +φ+φ= − 00 ≠φ (5)
(6) t01t1t eyy +φ=φ− −
şeklinde yazılabilir. (6)’nolu eşitliği gecikme işlemcisi ile yazıp parantezine
aldığımızda (7)’nolu eşitliği elde ederiz.
ty
(7) ( ) t0t1 eyL1 +φ=φ−
AR(1) modelinin durağan olabilmesi için ( ) 0L1 1 =φ− karakteristik
denklemin kökü84 birim çember dışına düşmelidir.85 Diğer bir ifadeyle 11 <φ
eşitsizliği sağlanmalıdır.
Birinci dereceden otoregressif modelin ortalaması olan μ yü bulamak için
(5)’nolu eşitliğin beklenen değerleri alındığında eşitlik,
( ) ( ) ( )t1t10t eEyEyE +φ+φ= − (8)
olacaktır. Hata terimlerinin beklenen değeri sıfır, ve durağan serilerde
olduğundan (8) nolu eşitlik, ( ) ( ) μ== −1tt yEyE
μφ+φ=μ 10 (9)
Haline dönüşecektir. (9)’nolu eşitlikte sabit yalnız bırakılıp gerekli düzenlemeler
yapıldığında AR(1) in ortalaması,
( )1
0
1 φ−φ
=μ (10)
olarak elde edilir. 11 <φ eşitsizliği gerçekleştiğinde otoregressif süreç durağan
olmaktadır. Durağanlığı sağlanması için μ ’nün sonlu, μ ’nün sonlu olması için ise
11 <φ eşitsizliğinin sağlanması gerekmektedir.
Birinci dereceden otoregressif sürecin varyansı,
( ) ( )21
2e
0t 1yV
φ−σ
=γ= (11)
84 Bazı kaynaklarda karekteristik kök denmektedir. 85 William W.S. Wei, Time Series Analysis: Univariate and Multivariate Methods, Second Edition, Addison-Wesley, 2006, s.33.
88
Birinci dereceden otoregressif sürecin otokovaryansı,
011 γφ=γ (12)
veya varyans değeri yerine yazılırsa,
( )21
2e1
1 1 φ−σφ
=γ (13)
olarak elde edilir. Eşitlik (12) ve (13)’ü ,
( )21
2e
k1
0k1k 1 φ−
σφ=γφ=γ (14)
şeklinde genelleştirilebilmektedir.
Otokorelasyon katsayı kovaryansın varyansa bölünmesiyle elde edilmektedir.
O halde ile arasındaki otokorelasyon katsayısı ty 1ty − 1ρ eşitlik (11) ve (12)
yardımıyla,
10
01
0
11 φ=
γγφ
=γγ
=ρ (15)
olarak elde edilir. Eşitlik (14) genelleştirildiğinde (16)’ nolu eşitlik elde edilmektedir. k1k φ=ρ (16)
(16)’nolu eşitlik serinin otokorelasyon fonksiyonudur ve grafik gösterimi
korelogram olarak adlandırılır. AR(1) sürecinin otokorelasyon fonksiyonu, 1φ
parametresinin aldığı değerlere bağlı olarak farklı görünümler sergilemektedir.
olduğunda otokorelasyon fonksiyonu sıfıra doğru üstel olarak azalır. 01 >φ 01 <φ
olduğunda otokorelasyon fonksiyonu dalgalı bir seyir izleyerek sıfıra doğru
yaklaşır.86 ’in yakın olması durumunda ise otokorelasyon fonksiyonunun
sıfıra doğru oldukça yavaş yaklaştığı gözlenir.
1φ 1±87
AR(1) sürecinde ilk gecikmeye ait kısmi otokorelasyon katsayısı anlamlıdır.
Diğer gecikmeler için ise kısmi otokorelasyon katsayıları anlamlı değildir. AR(1)
sürecinin kısmi otokorelasyon katsayısı, ilk otokorelasyon katsayısına eşittir. Bu
(17)’nolu eşitlik ile gösterebilir.
1111 φ=ρ=ρ (17)
86 Ruey S., Tsay, Analysis of Financial Time Series, John Wiley&Sons.Inc., 2002, s.31. 87 Akgül, A.g.e., s.56.
89
3.4.2. AR(2) Modeli Durağan bir zaman serisinin otokorelasyon katsayıları üstel olarak sıfıra
yaklaşırken, kısmi otokorelasyon katsayılarının ilk iki gecikmeden sonraki değerleri
anlamsız ise seri için ikinci dereceden bir otoregressif model AR(2) düşünülebilir.
Sabit terime sahip bir AR(2) modeli (18)’nolu eşitlikte sabit terime sahip olmayan bir
AR(2) modelini ise (19) nolu eşitlikte gösterilmiştir.
t2t21t10t eyyy +φ+φ+φ= −− (18)
t2t21t1t eyyy +φ+φ= −− (19)
Modelde hata terimleri sıfır ortalama, sabit varyanslı ve birbirleri ile ilişkili
olmayan beyaz gürültü serisidir. 1φ ve 2φ modelin tahmin edilecek parametreleridir.
AR(2) modelinde değişkenin aldığı değerler, iki dönem geçmiş değerin bir
fonksiyonu olarak ifade edilmektedir. Modelin iki parametresi olduğundan
durağanlık koşulu bu iki parametreye göre belirlenmektedir.
ty
AR(2) modelini gecikme işlemcisi kullanılarak,
( ) t0t2
21 eyLL1 +φ=φ−φ−
şeklinde yazmak mümkündür. Modele ait ( ) ( ) 0LL1L 221 =φ−φ−=φ karakteristik
denklemin köklerinin birim çember dışına düşmesiyle modelin durağanlığı
sağlanmaktadır. ve , 1L 2L ( ) 0LL1 221 =φ−φ− veya eşiti olan
denklemin karakteristik kökleri olmak üzere,
01LL 12
2 =−φ+φ
2
2211
1 24
Lφ
φ+φ+φ−=
ve
2
2211
2 24
Lφ
φ+φ−φ−=
elde edilir. Karekteristik denkleminin köklerinin gerçek olabilmesi için
eşitsizliği sağlanmalıdır. Aksi durumda karekteristik denklem kompleks köklere
sahip olacaktır.
04 221 ≥φ+φ
88
88 Wei, A.g.e., s.39.
90
Durağanlık şartlarını modelin parametrelerini kullanarak ta ifade edebilir.
Modelin parametreleri aşağıdaki eşitsizlikleri sağladığında AR(2) modeli durağan
olmaktadır.
11 2 <φ<−
112 <φ+φ
112 <φ−φ
Yukarıdaki eşitsizlikler sağlanmadığında model durağan olmayacağından
seriye gerekli dönüşümler yapılarak durağanlaştırılmalıdır. Ayrıca AR(2) modelinde,
modelin parametreleri durağanlık koşulunu sağlaması durumunda otokorelasyon
katsayıları olan ve ’nin de durağanlık şartlarını sağlaması için, 1ρ 2ρ
11 1 <ρ<−
11 2 <ρ<−
2122
1+ρ
<ρ
sınırları içine düşmesi gerekmektedir.89 AR(2) modelinin ortalaması (18)’nolu
eşitlikten yararlanarak,
( )21
0
1 φ−φ−φ
=μ (20)
olacak şekilde elde edilmektedir. Ortalamanın sonlu olması için 112 <φ+φ
eşitsziliğinin sağlanması gerekmektedir. AR(2) modelinin varyansı (10)’nolu
eşitlikte gösterilmektedir.
( )( ) ( )( )2
12
22
2e2
0 111
φ−φ+φ+
σφ−=γ (21)
Otokorelasyon fonksiyonu üzerinde modelin sabit teriminin bir etkisi
olmadığından90, sabit terim içermeyen AR(2) modelinde eşitliğin her iki tarafını
ile çarparak beklenen değerleri alındığında (19)’nolu eşitlik elde edilir.
kty −
( ) ( ) ( ) ( )kttkt2t2kt1t1ktt yeEyyEyyEyyE −−−−−− +φ+φ=
89 Akgül, A.g.e., s.60. 90 Walter Enders, Applied Econometric Time Series, John Wiley&Sons Inc., 1995, s.78.
91
2k21k1k −− γφ+γφ=γ (22)
(22)’nolu eşitliğin her iki tarafını serinin varyansı olan 0γ bölündüğünde,
2k21k1k −− ρφ+ρφ=ρ (23)
otokorelasyon fonksiyonu bulunur. Tanım gereği 11 ρ=ρ− ve ’dir. k=1
olduğunda bir gecikmeli otokorelasyon katsayısı formülü,
10 =ρ
2
11 1 φ−
φ=ρ (24)
k=2 olduğunda iki gecikmeli otokorelasyon katsayısı formülü,
2
222
21
22
21
2 11 φ−φ−φ+φ
=φ+φ−
φ=ρ (25)
elde edilir. Gecikme sayısı k arttırılarak AR(2) modeline ait k gecikmeli
otokorelasyon fonksiyonu bulunabilir.
Eşitlik (23)’deki otokorelasyon fonksiyonu gecikme işlemcisi kullanılarak,
( ) 0LL1 k2
21 =ρφ−φ−
şeklinde yazılabilir. ( ) 0LL1 221 =φ−φ− denkleminin karekteristik kökleri gerçek
olduğunda otokorelasyon katsayıları üstel olarak, kökler kompleks olduğunda ise
sinüs dalgaları şeklinde sıfıra doğru azalmaktadır.91
(23)’nolu eşitlikten k=1 ve k=2 için (15)’nolu Yule-Walker denklem sistemi
türetilebilir.
2112
1211
φ+ρφ=ρρφ+φ=ρ
İlk iki gecikmeye ait otokorelasyon katsayıları bilindiğinde, bu denklem
sistemi eş anlı çözülerek (24) ve (25)’nolu eşitlikler elde edilir.
( )( )2
1
211 1
1ρ−ρ−ρ
=φ (24)
( )( )2
1
212
2 1 ρ−ρ−ρ
=φ (25)
Sözkonusu eşitlikler ile AR(2) modeline ait parametrelerin başlangıç değerleri
hesaplanabilir. AR(2) modelinin ilk iki gecikmeye ait kısmi otokorelasyon
91 Wei, A.g.e., s.41.
92
katsayıları anlamlı olup, daha üst dereceden gecikmeler için ise kısmi otokorelasyon
katsayıları anlamsızdır.
2
1111 1 φ−
φ=ρ=ρ
21
212
1
1
21
1
22 11
1
1
ρ−ρ−ρ
=
ρρρρρ
=ρ
veya
2
2
1
2
2
1
2
222
21
22
11
11
⎟⎟⎠
⎞⎜⎜⎝
⎛φ−
φ−
⎟⎟⎠
⎞⎜⎜⎝
⎛φ−
φ−⎟⎟
⎠
⎞⎜⎜⎝
⎛φ−
φ−φ+φ
=ρ
( )( )( ) 22
12
2
21
222
22 11
φ=φ−φ−φ−φ−φ
=ρ
0
11
1
11
11
1
11
12
11
21
122112
2111
1211
12
11
21
312
21
11
33 =
ρρρρρρ
ρφ+ρφρρφ+ρφρρφ+φρ
=
ρρρρρρρρρρρρρ
=ρ
3.4.3. AR(p) Modeli
Durağan serisinin p’inci dereceden sabitsiz AR modeli, ty
tptp2t21t1t ey......yyy +φ++φ+φ= −−− (26)
veya
tptp2t21t1t ey......yyy =φ−−φ−φ− −−− (27)
şeklinde yazılabilir. hata terimi sıfır ortalama ve sabit varyansa sahip ve
’lerden bağımsız olup herhangi bir dönemdeki hata ile arasında ilişki söz konusu
te
pty −
93
değildir. 1tt yLy −= , ,..... olmak üzere gecikme işlemcisi kullanarak
p’inci dereceden AR(p) modeli
2tt2 yyL −=
(28) ttp
pt2
2t1t eyL.....yLLyy =φ−−φ−φ−
yazıldıktan sonra eşitliğin sol tarafı parantezine alındığında, ty
( ) ttp
p2
21 eyL......LL1 =φ−−φ−φ− (29)
AR(p) modeli olarak elde edilir. p,...2,1i = olmak üzere olduğunda AR(p)
modelinin durağan olmaktadır.
∑=
<φp
1ii 1
92
AR(p) modeli sabit terim ilave edildiğinde,
tptp2t21t10t ey......yyy +φ++φ+φ+φ= −−− (30)
şeklinde yazılabilir.
Otoregressif süreç durağan olduğunda ortalaması değişmeyecektir. Dolayısıyla
serinin ve gecikmeli değerlerinin beklenen değerleri yani ortalaması hep μ ’ye eşit
olacaktır.
( ) ( ) ( ) μ==== −− ......yEyEyE 2t1tt
Yukarıdaki ifadeye göre (30)’nolu eşitliği aşağıdaki gibi yeniden yazıp gerekli
düzenlemeler yapıldığında AR(p) sürecinin ortalaması eşitlik (31) yardımıyla
hesaplayabilir.
μφ++μφ+μφ+φ=μ p210 .....
( )p21
0
.....1 φ−−φ−φ−φ
=μ (31)
Ortalamanın sonlu olması serinin durağan olması ile mümkündür. Durağanlığın
sağlanabilmesi,
∑=
<φ=φ++φ+φp
1iip21 1....... (32)
koşuluna bağlıdır. Dolayısıyla, yukarıdaki eşitsizlik AR(p) sürecinin durağanlık
koşuludur.
AR(p) modelinin varyansı,
92 Akgül, A.g.e., s. 38.
94
( )pp2211
2e2
0 ......1 φρ−−φρ−φρ−σ
=σ=γ (33)
olarak elde edilmektedir.
AR(p) modeli olan (26)’nolu eşitliğin her iki tarafını ile çarpılarak
beklenen değerlerini aldığında (34)’nolu eşitliğe ulaşılmaktadır. Durağan serilerde
tanım gereği için
kty −
0k > ( ) 0yeE ktt =− dır.93
kttktptpkt2t2kt1t1ktt yeyy......yyyyyy −−−−−−−− +φ++φ+φ=
( ) ( ) ( ) ( ) ( )kttktptpkt2t2kt1t1ktt yeEyyE......yyEyyEyyE −−−−−−−− +φ++φ+φ=
pkp2k21k1k ...... −−− γφ++γφ+γφ=γ (34)
(34)’nolu eşitlik AR(p) modelinin otokovaryans fonksiyonudur. Otokovaryans
fonksiyonun her iki tarafını 0γ ’a böldüğünde eşitlik otokorelasyon katsayıları
cinsinden yazılmış olur.
pkp2k21k1k ..... −−− ρφ+ρφ+ρφ=ρ (35)
Gecikme işlemcisi kullanarak (35)’nolu eşitliği p’inci mertebeden fark
denklemi olarak elde edilebilir. 1kkL −ρ=ρ , .....olmak üzere gerekli
düzenlemeler yapıldığında eşitlik (36)’ya ulaşılır.
2kk2L −ρ=ρ
0...... pkp2k21k1k =ρφ−−ρφ−ρφ−ρ −−−
0L......LL kp
pk2
2k1k =ρφ−−ρφ−ρφ−ρ
( ) 0L......LL1 kp
p2
21 =ρφ−−φ−φ− (36)
(35)’nolu eşitlikten için aşağıdaki Yule-Walker denklem sistemi elde
edilmektedir.
p,.....,2,1k =
p2p21p1p
2pp2112
1pp1211
............................
.....
.....
φ++ρφ+ρφ=ρ
ρφ++φ+ρφ=ρ
ρφ++ρφ+φ=ρ
−−
−
−
93 Orhunbilge, A.g.e., s.150.
95
AR(p) sürecinin kısmi otokorelasyon katsayıları p gecikmeye kadar anlamlı, p
gecikmeden büyük gecikmeler için ise anlamsız olmaktadır.94 Bu ifade aşağıdaki
şekilde gösterebilir.
011 ≠ρ , , 022 ≠ρ 0pp ≠ρ pk ≤
0kk =ρ pk >
Yule-Walker denklem sisteminde otokorelasyon katsayıları yerleştirilip
denklem sistemi ’ler için çözüldüğünde AR(p) modelinin başlangıç değerleri elde
edilmiş olur. Otoregressif modelin parametrelerinin alacağı değerler otokorelasyon
fonksiyonun göstereceği seyrin nasıl olacağı hakkında bilgi vermektedir.
φ
0>φ
olduğunda otokorelasyon fonksiyonu sıfıra doğru üstel olarak azalacaktır. 0<φ
olduğunda otokorelasyon fonksiyonu sarkaç hareketine benzer dalgalı bir görünümde
sıfıra doğru azalacaktır. 1±φ ’e yakın değerler aldığında otokorelasyon
fonksiyonunda sıfıra doğru azalma yavaş olacaktır.95
Değişkene otoregressif bir model uygun ise modelin derecesinin belirlenmesi
önem kazanmaktadır. Otokorelasyon katsayıları üstel olarak azalırken anlamlı kısmi
otokorelasyon katsayıları modelin derecesi hakkında bir fikir vermektedir. Bunun
yanında ARMA modellerinin derecesini belirlemede Akaike Bilgi Kriteri (AIC) ve
Schwartz Bilgi Kriteri (SBC) olarak adlandırılan kriterlerden de yararlanılmaktadır.
Tahmin edilen modeller arasından anılan kriter değerlerini en küçük yapan derecenin
uygun olduğu kabul edilmektedir.
3.4.4. MA(1) Modeli Durağan bir zaman serisinin otokorelasyon katsayıları ve kımi otokorelasyon
katsayıları incelendiğinde kısmi otokorelasyon üstel olarak sıfıra yaklaşıyorsa seri
için hareketli ortalama modelinin uygun olduğu anlaşılır. Anlamlı otokorelasyon
katsayıları ile de hareketli ortalama modelinin derecesini gösteren q belirlenir. Kısmi
otokorelasyon katsayıları üstel olarak sıfıra yaklaşırken, bir anlamlı otokorelasyon
94 Akgül, A.g.e., s.48. 95 A.e., s.46.
96
katsayısı var ise sözkonusu model MA(1) modelidir. μ sürecin ortalamasını
göstermek üzere MA(1) modeli,
1t1tt eey −θ−+μ= 0≠μ (37)
1t1tt eey −θ−= 0=μ (38)
şeklinde gösterilmektedir.
MA(1) modelinde denklem (37) ve (38)’den de anlaşılacağı gibi gözlem
değeri hata terimi ile bir önceki dönem hata terimi olan bağlıdır. hata
terimi beyaz gürültü serisidir. Modeldeki hata terimleri doğrudan gözlenememekte,
serinin verilerinden tahmin edilmektedir.
ty , te 1te − te
96
MA(1) modeli gecikme işlemcisi kullanılarak ,
( ) t1t eL1y θ−=
şeklinde gösterilebilir. ( ) 0L1 1 =θ− karekteristik denkleminin kökü birim çember
dışında kaldığında model çevrilebilir özelliği sahip olmaktadır.97 Diğer bir ifadeyle,
modelin çevrilebilir olabilmesi için parametresinin 11 <θ olması gerekmektedir.
Hareketli ortalama modelinin ortalaması zamandan bağımsızdır. Bu özellik,
( ) μ=tyE
olarak ifade edilmektedir. (2)’nolu denklemde gösterilen MA(1) modelinde hata
terimleri beyaz gürültü serisi olduğu varsayıldığında,
te
( ) 0eE t = ve ( )0eE 1t =−
olacağından ( ) 0yE t = değeri elde edilir.
Hareketli ortlama modelindeki hata terimelerinin ortalamasının sıfır,
dolayısıyla ’nin ortalaması da sıfır olduğu varsayılmaktadır. O halde MA(1)
modelinin varyansı,
te
ty
( )21
2e0 1 θ+σ=γ
olarak elde edilmektedir. MA modelleri beyaz gürültü özelliği taşıyan hata
terimlerinin doğrusal bir kombinasyonu olmakta, bu hata terimlerinin ilk iki momenti
96 Philip Hans Franses, Time Series Models For Business and Economis Forecasting, Cambridge University Press, 1998, s.39 97 Wei, A.g.e., s.47.
97
olan ortalama ve varyans zamanla değişmediğinde sözkonusu modeller her zaman
zayıf durağan olmaktadır.98
MA(1) modelinin kovaryansı bir gecikme için, 2e11 σθ−=γ
1k > için ,
0k =γ
Modelin otokorelasyonu bir gecikme için,
21
1
0
11 1 θ+
θ−=
γγ
=ρ
1k > için,
0k =ρ
olmaktadır. MA(1) modelinin otokorelasyon değerleri 2/1k <ρ şeklindedir.99
Birden büyük gecikmeler için otokorelasyon katsayıları sıfırdır. Dolayısıyla MA(1)
modelinin otokorelasyon fonksiyonu yalnızca bir dönemlik bir belleğe sahiptir. Diğer
bir ifadeyle, herhangi bir değeri sadece kendinden bir dönem önceki ve bir
dönem sonraki ile ilişkilidir. Çünkü hareketli ortalama modeli sadece bir dönem
önceki hata terimine sahiptir.
ty 1ty −
1ty +
100
MA(1) modelinin kısmi otokorelasyon fonksiyonu,
( )41
211
21
1111 1
11 θ−
θ−θ−=
θ+θ−
=ρ=ρ
( )61
21
21
41
21
21
21
21
22 11
11 θ−θ−θ−
=θ+θ+
θ−=
ρ−ρ
−=ρ
( )81
21
31
61
41
21
31
21
31
33 11
121 θ−θ−θ−
=θ+θ+θ+
θ−=
ρ−ρ
=ρ
.
.
.
98 Tsay, A.g.e., s.43. 99 Wei, A.g.e., s.47. 100 Nelson, A.g.e., s.34.
98
( )( )1k2
1
21
k1
kk 11
+θ−θ−θ−
=ρ
MA(1) modelinin kısmi otokorelasyon fonksiyonu 2/1kk <ρ değerinden başlayarak
işaretine bağlı olarak üstel olarak sıfıra doğru yaklaşır.1θ101
3.4.5. MA(2) Modeli Durağan bir zaman serisinin kısmi otokorelasyon katsayıları üstel olarak
sıfıra yaklaşırken, ilk iki gecikmeye ait otokorelasyon katasayıları anlamlı, diğerleri
anlamsız olduğunda; ikinci dereceden hareketli ortalama modeli sözkonusudur.
Değişkenin t zamandaki değeri t-1 ve t-2 zamandaki hata terimlerinin bir
kombinasyonu olarak bulunmaktadır. μ sürecin ortalamasını göstermek üzere MA(2)
modeli,
2t21t1tt eeey −− θ−θ−+μ= (39)
ve olmak üzere, 0=μ
2t21t1tt eeey −− θ−θ−= (40)
şeklinde yazılabilir. ve 1θ 2θ modelin parametreleri olup, MA(2) süreci
parametrelerinin tüm değerleri için durağandır.102 Denklem (40)’daki model gecikme
işlemcisiyle kullanarak da yazılabilir.
( ) t2
21t eLL1y θ−θ−= (41)
( ) 0LL1 221 =θ−θ− karekteristik denkleminin köklerinin birim çember dışına
düşmesi durumunda MA(2) modeli çevrilebilir olmaktadır.103 Diğer bir ifadeyle
modelin parametreleri aşağıda belirtilen eşitsizlikleri sağladığında MA(2) modeli
çevrilebilir bir modeldir.
112 <θ+θ
112 <θ−θ
11 2 <θ<−
MA(2) sürecinin ortalaması zaman içinde değişmez. Sürecin ortalaması,
101 Wei, A.g.e., s.48. 102 Chatfield, A.g.e., s.44 103 Wei, A.g.e., s.49.
99
( ) μ=tyE (42)
varyansı ise,
( )22
21
2e0 1 θ+θ+σ=γ (43)
olmaktadır. MA(2) sürecinde ilk iki gecikmeye ait otokovaryanslar sıfırdan farklı,
ancak ikiden fazla gecikmeler için otokovaryans değerleri sıfırdır.
( 2112e1 θθ+θ−σ=γ ) k=1
2e22 σθ−=γ k=2
0k =γ k>2
Bilindiği üzere otokorelasyon katsayısı, otokovaryans değerinin varyansa
bölümünden elde edilmektedir. MA(2) modelinin otokovaryans değerleri ilk iki
gecikme için sıfırdan farklı, diğer gecikmeler için sıfır olduğundan dolayı ilk iki
gecikmenin otokorelasyon katsayıları anlamlı, diğerleri anlamsızdır.
( )22
21
21
0
11 1
1θ+θ+θ−θ−
=γγ
=ρ k=1 (44)
22
21
2
0
22 1 θ+θ+
θ−=
γγ
=ρ k=2 (45)
0k =ρ k>2 (46)
MA(2) Modelinin kısmi otokorelasyon fonksiyonu ise,
111 ρ=ρ
21
212
22 1 ρ−ρ−ρ
=ρ
( )( )2
21
22
22131
33 1212
ρ−ρ−ρ−ρ−ρρ−ρ
=ρ
.
.
.
Kısmi otokorelasyon fonksiyonu ( ) 0LL1 221 =θ−θ− karakteristik denklemin
köklerinin işaretine ve büyüklüğüne bağlı olarak üstel veya sinüs dalgaları şeklinde
100
sıfıra yaklaşır. Karakteristik denklemin kökleri kompleks ise kısmi otokorelasyon
fonksiyonu sinüs dalgaları şeklinde sıfıra doğru azalır.104
3.4.6. MA(q) Modeli
Bir değişkenin t zamandaki değeri, aynı dönemdeki hata terimi ve hata
teriminin önceki dönemlere ait gecikmeli değerleri ile belirleniyor ise bu sürece
hareketli ortalama süreci adı verilmektedir.
( )te
105 , sıfır ortalama ve sabit varyansa
sahip bir beyaz gürültü serisidir. Modelin derecesi belirlenirken, değişkenin kısmi
otokorelasyon fonksiyonu sıfıra doğru üstel olarak azalırken, otokorelasyon
fonksiyonunda q adet otokorelasyon anlamlı, q gecikmeden büyük otokorelasyonlar
anlamsız ise değişken q’uncu dereceden bir hareketli ortlama modeline sahiptir ve
MA(q) şeklinde gösterilebilir.
te
Durağan serisinin q’uncu dereceden MA modeli, ty
qtq2t21t1tt e.......eeey −−− θ−−θ−θ−+μ= 0≠μ (47)
qtq2t21t1tt e.......eeey −−− θ−−θ−θ−= 0=μ (48)
şeklinde, kapalı biçimi ise,
( ) tq
q2
21t eL.......LL1y θ−−θ−θ−=
yazılmaktadır.
Ortalaması,
( ) μ=tyE (49)
Varyansı,
( )2p
22
21
2e0t .....1)y(V θ++θ+θ+σ=γ= (50)
şeklinde elde edilmektedir. MA(q) modelinin otokovaryans fonksiyonu q gecikmeye
kadar hesaplanabilmekte, q gecikmeden büyük gecikmelerin otokovaryans değeri
sıfır olmaktadır.
( )qkq1k1k2ek ..... θθ++θθ+θ−σ=γ −− q,......,2,1k =
0k =γ qk >
104 Wei, A.g.e., s.51. 105 Göktaş, A.g.e., s.83.
101
Otokovaryans değerlerinin varyansa bölünmesiyle elde edilen modelin
otokorelasyon fonksiyonu q gecikmeye kadar anlamlı, daha büyük gecikmeler için
ise anlamsızdır.
2q
21
qkq1k1kk ......1
......θ++θ+
θθ++θθ+θ−=ρ −+ q,......,2,1k =
0k =ρ qk >
Kısmi otokorelasyon fonksiyonu ( ) 0L.......LL1 qq
221 =θ−−θ−θ−
karakteristik denklemin köklerine bağlı olarak üstel veya sinüs dalgaları şeklinde
sıfıra doğru azalır. Denklem kompleks köklere sahip olduğunda kısmi otokorelasyon
fonksiyonun grafiği sinüs dalgaları görünümündedir.106
3.4.7. ARMA(1,1) Modeli Bu modelde durağan zaman serisinin t zamandaki değeri, değişkenin t-1
zamandaki değeri, t ve t-1 zamandaki hata terimi ve 0φ sabit teriminden
oluşmaktadır. (51)’nolu eşitlikte ARMA(1,1) modeli görülmektedir.
1t1t1t10t eeyy −− θ−+φ+φ= (51)
Model gecikme işlemcisi kullanılarak,
1t1t01t1t eeyy −− θ−+φ=φ− (52)
t1t0t1t LeeLyy θ−+φ=φ−
( ) ( t10t1 eL1yL1 )θ−+φ=φ− (53)
şeklinde yazılabilir. ARMA(1,1) modelinin AR parametresi 11 1 <φ<− olduğunda
durağan, MA parametresi 11 1 <θ<− olduğunda ise çevrilebilir. Bu koşullar
sağlandığında ARMA(1,1) modeli durağan ve çevrilebilirdir. ARMA(1,1) modelinin
ortalaması sabittir, diğer ifadeyle zaman içinde değişmemektedir. (52) nolu
eşitlikteki terimlerin beklenen değerleri alındığında ARMA(1,1) ortalaması,
( ) ( )1
0t 1
yEφ−
φ=μ= (54)
106 Wei, A.g.e., s.53.
102
olarak elde edilir. Çünkü ’nin beklenen değeri sıfırdır. ARMA(1,1) modelinin
varyansı,
te
( )( )
2e2
1
1121
0 121
σφ−
θφ−θ+=γ (55)
olmaktadır. ARMA(1,1) in otokovaryansı,
k=1 için
( )( )( )
2e2
1
11111 1
1σ
φ−θ−φθφ−
=γ (56)
k=2 için,
112 γφ=γ (57)
2k ≥ için,
1k1k −γφ=γ (58)
olarak elde edilmektedir.
ARMA(1,1) in otokorelasyon fonksiyonu
k=1 için
( )( )( )
( )( )
( )(( )
)11
21
1111
21
2e11
21
21
2e1111
0
11 21
1
121
11
θφ−θ+θ−φθφ−
=
φ−σθφ−θ+
φ−σθ−φθφ−
=γγ
=ρ (59)
1k ≥ için,
1k1k −ρφ=ρ (60)
Otokorelasyon fonksiyonun başlangıç değeri 1ρ ile başlar ( ’in değeri, 1ρ 1φ
ve ’e bağımlı iken işareti 1θ 11 θ−φ farkı tarafından belirlenmektedir.107) ve
başlangıç değerinden itibaren üstel olarak azalır. ARMA(1,1) modeli AR ve MA’nın
bir kombinasyonu olduğundan otokorelasyon fonksiyonu hem AR hem de MA
sürecinin özelliklerini birlikte gösterir. MA sürecinin yalnızca bir dönemlik belleğe
sahip olmasından dolayı birinci gecikmeden sonra otokorelasyon fonksiyonunun
107 George E.P. Box, Gwilym M.Jenkins ve Gregory C.Reinsel, Time Series Analysis: Forecasting and Control, Third Edition, Prentice Hall, 1994, s.81.
103
kesilmesi beklenirken AR bileşeninin etkisiyle bir gecikmeden sonra azalan
otokorelasyon davranışı özelliği gözlenir.108
Otokorelasyon katsayıları için durağanlık ve çevrilebilirlik koşulları ise,
12 ρ<ρ
( 12 112 +ρ )ρ>ρ , 01 <ρ
( 12 112 −ρ )ρ>ρ , 01 >ρ
olarak belirtilmektedir.
ARMA(1,1) modelinin kısmi otokorelasyon fonksiyonu MA(1) modelinin
kısmi otokorelasyon fonksiyonuna benzemektedir. 1θ pozitif olduğunda, işaretini
farkının belirlediği 11 θ−φ 111 ρ=ρ değerinden başlayarak üstel azalan; negatif
ise, işaretini farkının belirlediği
1θ
11 θ−φ 111 ρ=ρ değerinden başlayarak sarkaç
hareketine benzer dalgalı azalan bir yapı sergilemektedir.109
3.4.8. ARMA (p,q) Modeli Durağan bir zaman serisini AR veya MA modeli ile tanımlamak bazı
durumlarda kullanışsız olabilmektedir. Çünkü yüksek dereceden AR veya MA
modeli için çok sayıda paremetreye gereksinim vardır. Bunun yerine AR ve MA
modellerinin bir kombinasyonu olan ARMA modelleriyle parametre sayısı
azaltılabilmekte110 ve seri için sadece AR ve sadece MA modellerinden daha uygun
bir model elde edilebilmektedir.111 Böyle bir model otoregressif hareketli ortlama
(ARMA) modeli olacaktır. Bu modelin durağanlığı tamamen otoregressif kısma
bağlıdır. ARMA modelinin tersine çevrilebilmesi ise modelin hareketli ortalamalar
kısmıyla ilgilidir. Durağan bir zaman serisinin otokorelasyon ve kısmi otokorelasyon
fonksiyonları belli bir gecikme değerinde kesilmeyip sıfıra doğru yavaş yavaş
yaklaşabilirler. Bu durumda zaman serisi modelinde hem AR hem MA süreci aynı
anda yer almaktadır. ARMA sürecinin derecesi belirlenirken otokorelasyon ve kısmi
otokorelasyon fonksiyonları birlikte incelenmektedir. Bu fonksiyonlara ait
108 Sevüktekin ve Narrgeleçekenler, A.g.e, s.155. 109 Box, Jenkins ve Reinsel, A.g.e, s.82. 110 Tsay, A.g.e., s.43. 111 Chatfield, A.g.e., s.46.
104
katsayıların gecikme sayısı arttıkça yavaş yavaş azaldığı görülür.112 Otokorelasyon
ve kısmi otokorelasyon katsayıları incelenerek, anlamlı otokorelasyonlardan modelin
MA derecesi (q), anlamlı kısmi otokorelasyonlardan ise modelin AR derecesi (p)
belirlenmeye çalışılır.
Durağan bir zaman serisi için bir ARMA(p,q) modeli,
qtq2t21t1tptp2t21t1t e......eeey....yyy −−−−−− θ−−θ−θ−+φ++φ+φ=
(Sabitsiz) (61)
qtq2t21t1tptp2t21t10t e......eeey....yyy −−−−−− θ−−θ−θ−+φ++φ+φ+φ=
(Sabitli) (62)
şeklinde yazılabilir. (61) ve (62)’nolu modelde beyaz gürültü serisi, p ve q
modelin dereceleridir. (62)’nolu modeldeki
te
0φ modelin sabitidir. (61) nolu modeli
gecikme işlemcisi kullanarak tekrar yazıldığında;
qtq2t21t1tptp2t21t1t e......eeey....yyy −−−−−− θ−−θ−θ−=φ++φ−φ−
( ) ( ) tq
q2
21tp
p2
21 eL.....LL1yL.....LL1 θ−−θ−θ−=φ−−φ−φ− (63)
elde edilen (63)’nolu eşitliği kısaca
(64) ( ) ( ) tt eLyL θ=φ
şeklinde gösterebilir.. ARMA(p,q) modelinin durağanlık koşulu,
1..... p21 <φ++φ+φ
çevrilebilirlik koşulu ise ,
1..... q21 <θ++θ+θ
olmaktadır. Bu eşitsizlikler gerçekleştiğinde ARMA(p,q) modeli durağan ve
çevrilebilir olmaktadır. ARMA modellerinin ortalaması, varyansı ve kovaryansı
zamana bağlı olarak değişmemektedir. Ortalama ve varyans sabit iken, kovaryans
zaman değil, zamanlar arası farka dayanmaktadır.113 ARMA(p,q) modelinin
ortalaması,
( )p21
0
....1 φ−φ−φ−φ
=μ (65)
varyansı, 112 Göktaş, A.g.e., s.85 113 Akgül, A.g.e., s.89.
105
2epp22110 .... σ+γφ++γφ+γφ=γ (66)
olmaktadır. ARMA(p,q) modelinin otokovaryans fonksiyonu,
pkp2k21k1k ...... −−− γφ++γφ+γφ=γ
ve otokorelasyon fonksiyonu,
pkp2k21k1k ...... −−− ρφ++ρφ+ρφ=ρ
şeklinde yazılabilir.
ARMA(p,q) modelinin otokorelasyon fonksiyonu AR(p) modelinin
otokorelasyon fonksiyonu ile aynı yapıya sahip olup üstel azalma veya sinüs
dalgaları şeklinde azalmaktadır. ARMA modellerinin otokorelasyon fonksiyonunun
şekli modelin derecesine göre değişmektedir. Bazı ARMA(p,q) modellerinin
otokorelasyon fonksiyonlarının şekli verilebilir. ARMA(1,1) modelinin
otokorelasyon fonksiyonu ( )11pq =+− bir gecikmeden itibaren üstel olarak
azalırken, ARMA(2,2) modelinin otokorelasyon fonksiyonu bir
gecikmeden itibaren üstel veya sinüs dalgaları şeklinde azalmaktadır. ARMA(1,2)
modelinin otokorelasyon fonksiyonu
( )11pq =+−
( )21pq =+− iki gecikmeden itibaren üstel
olarak azalırken, ARMA(2,1) modelinin otokorelasyon fonksiyonu ( )01pq =+−
sıfırdan büyük gecikmeler için üstel azalma ve sinüs dalgaları şeklinde azalmanın
toplamı olarak görülmektedir.114
ARMA(p,q) modelinin kısmi otokorelasyon fonksiyonu şeklini, qpk −>
için MA(q) modelinin kısmi otokorelasyon fonksiyonuna benzemekte, için
ise genel bir gösterim bulunmamaktadır.
qpk −≤115 ARMA(p,q) modelinin otokorelasyon
fonksiyonu ve kısmi otokorelasyonları bir arada ele alındığında absisi belli bir
gecikme sonrasında değil sonsuzda kestiği görülmektedir.116
114 Terence C. Mills, Time Series Techniques for Economics, Cambridge Uiversity Press, 1998, s. 91. 115 A.e. 116 Akgül, A.g.e., s.46.
106
3.4.9. ARIMA (p,d,q) Modeli Uygulamada pek çok zaman serisi durağan değildir. Dolayısıyla durağan
olmayan zaman serisine doğrudan AR, MA ve ARMA gibi durağan modeller
uygulanamaz. AR ve MA modelleri uygulandığında bu modellerin parametrelerinin
tahmininden daha önemli bir sorun modellerin derecelerinin belirlenmesidir. ARMA
modeliyle bu soruna ilave olarak seriyi durgunlaştırmak için kaçıncı dereceden fark
alınması gerektiği de eklenmektedir. Durağanlığın sağlandığı, otokorelasyon
fonksiyonun incelenmesi yanında birim kök testleriyle de belirlenebilmektedir.
Mevsim etkisi taşımayan ve durağan olmayan seriler için ilk farklar uygun olmakta,
ikinci fark nadiren gerekmektedir (Genelde ekonomik değişkenler ilk farklardan
sonra durağanlaştığı gözlenmektedir)117 ve bu yaklaşım araştırmacılar tarafından
yaygın olarak kullanılmaktadır.118 Seri durağanlaştırıldıktan sonra fark serisi için
ARMA yani ARIMA modeli oluşturulabilir.
Durağan olmayan bir zaman serisi durağanlaştırıldıktan sonra bir AR(p)
modeli uygun oluyorsa ARIMA(p,d,0) yerine ARI(p,d), bir MA(q) modeli uygun
oluyorsa ARIMA(0,d,q) yerine IMA(d,q) şeklinde de gösterilebilmektedir.119
Durağan olmayan serisini durağanlaştırmak için ilk farkı, ty
1ttt yyy −−=Δ
seri hala durağan değilse serisinin ikinci farkı veya fark serisinin ilk farkını almak
suretiyle,
ty
2t1ttt2 yy2yy −− +−=Δ
seri durağanlaştırılır. d kez fark alınarak d’inci dereceden durağan olan
serisi ARMA(p,q) modeline sahip ise serisi de ARIMA(p,d,q) modeli ile ifade
edebilebilir. Örneğin bir kez fark almakla durağanlaştırılabilen bir seri için
ARIMA(p,1,q) modeli,
)yw( td
t Δ=
tw ty
qtq2t21t1tptp2t21t1t e.......eeew......www −−−−−− θ−θ−θ−+φ++φ+φ= (67)
şeklinde yazılabilir. 1ttt yyw −−= olmak üzere,
117 Chatfield, A.g.e., s.50. 118 Chatfield, A.g.e., s.42. 119 Franses, A.g.e., s.38
107
( ) ( ) qtq1t1t1ptptp2t1t11tt e....eeyy......yyyy −−−−−−−− θ−−θ−+−φ++−φ=− (68)
d kez fark alınarak durağanlaştırılabilen serisinin ARIMA(p,d,q) modeli, ty
qtq2t21t1t0ptd
p2td
21td
1td e.......eeey.......yyy −−−−−− θ−−θ−θ−+φ=Δφ−−Δφ−Δφ−Δ
(69)
Eşitlik (69)’u gecikme işlemcisiyle yazdığımızda,
( ) qtp1t1t0tdp
p2
21 e.......eeyL.....LL1 −− θ−−θ−+φ=Δφ−−φ−φ− (70)
ifadesini elde edilir. Son elde edilen eşitlik (70) daha genel olarak
( ) ( ) ttd eLyL θ=Δφ
veya
( ) ( ) tt eLwL θ=φ
şeklinde yazabilir. Sürecin durağanlığı modelin otoregressif kısmının, çevrilebilirliği
ise hareketli ortalama kısmının sağladığı koşullara bağlıdır. Sürecin durağanlığının
sağlanması için ( ) ( ) 0L.....LL1L pp
221 =φ−−φ−φ−=φ denkleminin köklerinin birim
çember dışına, çevrilebilir olması için ise ( ) ( ) 0L.....LL1L pp
221 =θ−−θ−θ−=θ
denkleminin köklerinin birim çember dışına düşmesi gerekmektedir.120
d kez farkı alınarak durağanlaştırılmış serisinin ortalaması, ty
( ) ( )p21
0wt
dt ......1
yEwEφ−−φ−φ−
φ=μ=Δ=
formülüyle bulunabilir.
Durağan olmayan zaman serisi uygun fark alma işlemiyle
durağanlaştırıldıktan sonra modelin AR derecesi p ve MA derecesi q
belirlenmektedir. ARIMA modellerinde uygun fark derecesinin, AR derecesinin ve
MA derecesinin belirlenmesi oldukça güçtür ve deneyim gerektirmektedir. Fark alma
işlemiyle durağanlaştırılan seriye ait modelin otoregressif ve hareketli ortalama
derecelerinin belirlenmesi için otokorelasyon ve kısmi otokorelasyon
fonksiyonlarından yararlanılmaktadır.
120 Wei, A.g.e., s.71.
108
3.4.10. Mevsimsel Otoregressif Hareketli Ortalama Yöntemi Mevsim etkisi içeren seriler otoregressif, hareketli ortalama, otoregressif
hareketli ortalama bileşenlerinin yanında mevsim bileşenin ilave edilmesiyle
modellenebilmektedir. Mevsimlik seri bazen sadece mevsim bileşeni barındıran bir
model ile de ifade edilmektedir.
Sadece mevsim bileşenin modellendiği zaman serisinin mevsimsel teorik
otokorelasyon ve kısmi otokorelasyon fonksiyonları aşağıdaki yapılara sahiptirler.121
- Otokorelasyon fonksiyonu s, 2s, 3s, .... gibi gecikmelerle yavaşca sıfıra
yaklaşır. Bu durumda mevsimsel fark alma işlemi gerekmektedir.
- Sadece P inci dereceden mevsimsel bir AR modelinde otokorelasyon
katsayıları , s ve katlarındaki gecikmelerde sıfıra doğru üstel olarak
azalırken, s ve katlarındaki anlamlı kısmi otokorelasyon katsayıları
mevsimsel AR modelin derecesini belirler.
- Sadece Q’uncu dereceden mevsimsel bir MA modelinde kısmi
otokorelasyon katsayıları, s ve katlarındaki gecikmelerde sıfıra doğru
üstel olarak azalırken, s ve katlarındaki anlamlı otokorelasyon katsayıları
mevsimsel MA modelin derecesini belirler.
- P ve Q’uncu dereceden bir mevsimsel ARMA modelinde hem
otokorelasyon katsayıları hem kısmi otokorelasyon katsayıları s ve
katlarındaki gecikmelerde üstel olarak sıfıra doğru yaklaşır.
Mevsimsel otoregressif hareketli ortalama yönteminin durağan olabilmesi
için ve ( ) 0L =φ ( ) 0Ls =Φ karekteristik denklemlerinin köklerinin, çevrilebilir
olabilmesi için ise ( ) 0Ls =Θ ve ( ) 0L =θ karekteristik denkleminin köklerinin birim
çember dışında olması gerekmektedir.122
121 Alan Pankratz, Forecasting with Dynamic Regression Models, John Wiley&Sons Inc. 1991, s.55. 122 A.e., s.59.
109
3.4.10.1. SAR(P) Modeli Mevsim etkisinin içeren serilerde (haftalık, aylık ve mevsimlik veriler) otoregressif
hareketli ortalama yönteminin uygulanması belirli aralıklarla (s) tekrar eden bir
mevsimlik eğilimin ilavesiyle daha güçleşmektedir.123 Serilerin mevsimlik özelliği
taşıdıkları saptandığında, aylık gözlemler arasındaki ilişki,
t12t1t eyy +Φ= −
ve üçer aylık gözlemler arasındaki ilişki,
t4t1t eyy +Φ= −
olacak şekilde tanımlanabilir. Yukarıdaki modeller saf mevsimsel otoregressif
modeller olarak adlandırılmakta olup kısaca veya SAR(1) olarak
gösterilmektedir. Her iki modelde de zaman serisinin cari değeri serinin bir yıl
önceki değeri ile hata terimlerinin doğrusal bir fonksiyonu olarak ifade
edilmektedir.
s)1(AR
124
Aylık veriler için birinci dereceden saf mevsimsel otoregressif model olan
SAR(1) modelinin otokorelasyon ve kısmi otokorelasyon fonksiyonları,
12/kk Φ=ρ ,.....36,24,12k =
diğer 0k =ρ
Φ=ρkk 12k =
diğer 0kk =ρ
olarak elde edilebilmektedir. İkinci dereceden saf otoregressif model SAR(2) nin
kısmi otokorelasyon fonksiyonunda ise 12. ve 24. gecikmelerin otokorelasyonları
anlamlı olmaktadır.125
P’inci dereceden mevsimsel otoregressif model gecikme işlemcisi yardımıyla
genel olarak,
( ) ttPs
ps2
2s
1 eyL......LL1 =Φ−−Φ−Φ− (71)
şeklinde yazılabilir. Açık olarak yazılan (71)’nolu eşitliği,
( ) tts eyL =Φ (72)
123 Orhunbilge, A.g.e., s.206. 124 Akgül, A.g.e., s.186. 125 Kadılar, A.g.e., s.223.
110
olarak da gösterebilir. Eşitlikte (71) ve (72)’de yer alan P mevsimsel dereceyi, Φ ise
mevsimsel parametreleri simgelemektedir. durağan zaman serisini, s mevsim
sayısını göstermektedir. Eşitlik (2) de yer alan
ty
( )sLΦ polinomunun açılımı,
( ) PsP
s22
s1
s L......LL1L Φ−−Φ−Φ−=Φ
olarak yapılmaktadır. Buraya kadar anlatılanlar durağan zaman serisi için geçerlidir.
Ancak uygulamada sıklıkla durağan olmayan zaman serileriyle karşılaşıldığından
öncelikle gerekli dönüşümler yapılarak zaman serisinin durağanlaştırılması
gerekmektedir. Serinin durağanlığı hakkında bilgi edinmek için serinin gözlem
değerlerinden elde edilen otokorelasyon fonksiyonunun incelenmesi gerekir.
Otokorelasyon fonksiyonununda sadece s, 2s, 3s vb gecikmelerin otokorelasyonları
anlamlı ise seriye sadece mevsimsel fark alma işlemi uygulanarak serinin durağanlığı
sağlanır. Serinin otokorelasyon fonksiyonunda çeşitli gecikme değerlerinin yanı sıra
s, 2s, 3s vb gecikmelere ait otokorelasyonlar da anlamlı ise seriye hem ilk farklar
hem de mevsimsel farklar uygulayarak seri durağanlaştırılır. durağanlaştırılmış
bir seriyi göstermek üzere P’inci dereceden bir SAR(P) modeli,
tw
( ) tts ewL =Φ
olarak gösterilecektir. Modelde yer alan tw ,
tdD
st yw ΔΔ=
olacak şekilde serisini durağanlaştırmak için yapılan dönüşümleri göstermektedir. ty
DsΔ , d inci dereceden mevsimsel fark işlemcisi,
dΔ , d inci dereceden fark işlemcisidir.
Durağan bir zaman serisinde hem otoregressif hem de mevsimsel otoregressif
etkilerin birlikte gözlenmesiyle ARIMA(p,0,0)(P,0,0) modeli ortaya çıkmaktadır. Bu
model hem mevsimsel olmayan hem de mevsimsel bileşeni içermektedir. Örneğin
aylık verilerden elde edilen ARMA(1,0,0)(1,0,0) modelinde söz konusu bileşenler
eşitlik (73)’deki gibi gösterilmekte ve model toplamsal mevsimsel otoregressif model
adını almaktadır.
t12t121t1t eyyy +φ+φ= −− (73)
111
Mevsimsel ve mevsimsel olmayan bileşenleri çarpım şeklinde de ifade etmek
mümkündür ve sözkonusu modele çarpımsal otoregressif model denmektedir. Aylık
ve üçer aylık verilere ait çarpımsal ARMA(1,0,0)(1,0,0) modelinin gösterimi
sırasıyla eşitlik (74) ve eşitlik (75) de verilmektedir.
( )( ) tt12
11 eyL1L1 =Φ−φ−
t13t1112t11t1t eyyyy +Φφ−Φ+φ= −−− (74)
( )( ) tt4
11 eyL1L1 =Φ−φ−
t5t114t11t1t eyyyy +Φφ−Φ+φ= −−− (75)
Çarpımsal modelde mevsimsel gecikmeli gözlem ile kendinden bir önceki
gözlem arasında bağımlılığa ağırlık verilmekte ve çarpımsal modelin mevsimselliği
daha iyi tanımladığı vurgulanmaktadır. Çarpımsal modelde φ ve değerinin küçük
olması durumunda çarpımları sıfıra yaklaşacağından çarpımsal model toplamsal
modele dönüşmektedir.
Φ
126 Çarpımsal mevsimsel AR modelinin kısmi otokorelasyon
fonksiyonunda s gecikmelere ait kısmi otokorelasyonların yanında, komşu
gecikmelerdeki kısmi otokorelasyon katsayıları da önemli olmaktadır. Modelin
durağanlığı için,
1<φ
1<Φ
şartlarının sağlanması gerekmektedir.
3.4.10.2. SMA(Q) Modeli Durağan bir zaman serisinin cari değerinin hata terimi ve s dönem önceki hata
teriminin bir doğrusal kombinasyonu şeklinde ifade edilmesiyle mevsimsel hareketli
ortalama model söz konusu olmaktadır. Veriler aylık olduğunda eşitlik (76) ve üçer
aylık olduğunda eşitlik (77)’deki gibi SMA(1) modelleri yazılabilmektedir.
12t1tt eey −Θ−= (76)
4t1tt eey −Θ−= (77)
126 Akgül, A.g.e., s.192.
112
Modelde, durağan zaman serisini, beyaz gürültü serisi, , mevsimsel
hareketli ortalama parametresidir. SMA(Q) modelleri gecikme işlemcisiyle birlikte
genel olarak,
ty te 1Θ
( ) ts
t eLy Θ= (78)
gösterilmektedir. Eşitlik (3)’deki ( )sLΘ açılımı,
( ) QsQ
s22
s1
s L.......LL1L Θ−−Θ−Θ−=Θ
olarak elde edilmektedir.
Zaman serisi durağan olmadığında uygun dönüşümlerle serinin
durağanlığının sağlanması gerekmektedir. Seriye ilk farklar veya mevsimsel farklar
uygulanarak durağan bir seri elde edilir. durağan bir seriyi göstermek üzere
SMA(Q) modeli,
tw
( ) ts
t eLw Θ= (79)
olarak gösterilebilir. Modeldeki tw ,
tdD
st yw ΔΔ=
işlemleriyle elde edilir. , D’inci dereceden mevsimsel fark işlemcisini, d’inci
dereceden fark işlemcisidir.
DsΔ
dΔ
Mevsimsel ve mevsimsel olmayan hareketli ortalama modellerinin
otokorelasyon fonksiyonları birbirine benzerlik göstermekle birlikte127, mevsimsel
hareketli ortalama modellerinde sadece s, 2s, 3s, .... gibi gecikmelerde otokorelasyon
katsayıları önemli olmaktadır.128
Serinin otokorelasyon fonksiyonu ve kısmi otokorelasyon fonksiyonu
incelenmesinde hareketli ortalama ve mevsimsel hareketli ortalama özellikleri
birlikte gözlemleniyorsa söz konusu model çarpımsal mevsimsel hareketli ortalama
modeli olmaktadır. Model düzenli bileşen ve mevsim bileşeni olmak üzere iki
kısımdan oluşmaktadır. Örneğin ilk farklarla MA(2) modeli uygun olan aylık bir seri
için ARIMA(0,1,2)(0,0,1) ve ARIMA(0,1,2)(1,0,0) olmak üzere iki alternatif model 127 Akgül, A.g.e. , s.194. 128 Nelson, A.g.e., s.170.
113
kullanılabilmektedir.129 Söz konusu modellerin ilkinde mevsim bileşeni hareketli
ortalama, ikincisinde ise otoregressif bir sürece sahip olmaktadır.
ARIMA(0,1,2)(0,0,1) modeli
( ) ( )( ) t12
122
21t eL1LL1yL1 Θ−θ−θ−=−
( L1− ), ilk farklar
( )221 LL1 θ−θ− , Mevsimsel olmayan MA(2)
( )1212L1 Θ− , Mevsimlik MA parametresi
ARIMA(0,1,2)(1,0,0) modeli
( )( ) ( ) t2
21t12
12 eLL1yL1L1 θ−θ−=Φ−−
( )L1− , İlk farklar
( )221 LL1 θ−θ− , Mevsimsel olmayan MA(2)
( )1212L1 Φ− , Mevsimlik AR parametresi
Çarpımsal mevsimsel hareketli ortalama modellerinin otokorelasyon
fonksiyonunda gibi gecikmelerin yanı sıra s, 2s, 3s, .... gecikmeler ile
mevsim bileşenin derecesine bağlı olarak mevsim periyodunun komşu
gecikmelerdeki otokorelasyonlarda önemli olmaktadır. Örneğin aylık gözlemler için
ARIMA(0,1,1)(0,1,1) modelinin
.....3,2,1k =
130 otokovaryans fonksiyonu;
( )( ) 2e
21
210 11 σΘ+θ+=γ
( ) 2e
2111 1 σΘ+θ−=γ
2e1111 σΘθ=γ
( ) 2e
21112 1 σθ+Θ−=γ
2e1113 σΘθ=γ
ARIMA(0,1,1)(0,1,1) modelinin otokorelasyon fonksiyonu;
21
1k 1 θ+
θ−=ρ 1k =
( )( )21
21
11k 11 Θ+θ+
Θθ=ρ 13,11k =
129 Orhunbilge, A.g.e., s.209 130 Box, Jenkins ve Reinsel, A.g.e., s.342.
114
21
1k 1 Θ+
θ−=ρ 12k =
0k =ρ diğer
Yukarıdaki eşitliklerden de anlaşılacaığı üzere çarpımsal mevsimsel hareketli
ortalama modellerinde mevsm periyodunun yanıdaki gecikmelere ait ilişkiler aynı
büyüklükte ve aynı işaretli olmaktadır. Bu durumda birinci dereceden mevsimsel
hareketli ortalama modelleri için otokorelasyon fonksiyonu grafiğinde mevsim
periyodunun yanındaki birer gecikme aynı yönde ilişkiye sahip olmaktadır. ikinci
dereceden mevsimsel hareketli ortalama modelleri için ise mevsim periyodunun
yanındaki ikişer gecikme aynı yönde ilişkiye sahip olmalıdır.131
Mevsimsel hareketli ortlama modellerinde kısmi otokorelasyon fonksiyonu
fonksiyonu yavaş yavaş azalmakta, otokorelasyon fonksiyonunun ilk
gecikmelerinden hareketli ortalamanın derecesi (q), s ve katları ile yanındaki
gecikmelere ait aynı yöndeki önemli otokorelasyonlardan mevsimsel hareketli
ortalama modelinin derecesi olan (Q) belirlenmektedir.132 Çarpımsal mevsimlik
hareketli ortalama modelinin çevrilebilir olması için,
1<θ
1<Θ
şartlarının sağlanması gerekmektedir.
3.4.10.3. SARMA(P,Q) Modeli Mevsimlik bir zaman serisi modellenirken mevsim bileşeninin hangi sürece
sahip olduğunun belirlenmesi gerekmektedir. Mevsim etkisi, otoregressif, hareketli
ortalama süreçlerine sahip olabileceği gibi iki süreci birlikte de barındırabilir.
Mevsim etkisi her iki sürece birlikte sahip olduğunda model SARMA(P,Q),
QstQs2t2st1tPstPs2t2st1t e......eeey.....yyy −−−−−− Θ−−Θ−Θ−+Φ++Φ+Φ=
131 Kadılar, A.g.e., s.228. 132 A.e., s.229.
115
şeklinde yazılabilmektedir. Modelde; durağan zaman serisi, beyaz gürültü
serisini, s mevsim dönem sayısı,
ty te
Φ mevsimsel otoregressif parametreleri, Θ
mevsimsel hareketli ortalama parametrelerini göstermektedir. Modelin dereceleri P
ve Q’dur. Yukarıdaki model gecikme işlemcisiyle yazdıldığında,
( ) ( ) tQs
Qs2
2s
1tPs
Ps2
2s
1 eL......LL1yL......LL1 Θ−−Θ−Θ−=Φ−−Φ−Φ−
elde edilmektedir. Daha genel bir gösterim,
( ) ( ) ts
Qts
P eLyL Θ=Φ
şeklinde olacaktır.
SARMA(P,Q) modelinin otokorelasyon ve kısmi otokorelasyon fonksiyonları
üstel olarak sıfıra yaklaşırken, s, 2s,..... gecikmelerinin otokorelasyon ve kısmi
otokorelasyon katsayıları anlamlı diğer gecikmeler için anlamsız olacaktır.
Durağan serisinin otokorelasyon ve kısmi otokorelasyon fonksiyonları
üstel olarak sıfıra yaklaşırken s, 2s, ... gecikmelerinin yanı sıra 1., 2., ......
gecikmelerinin de otokorelasyon ve kısmi otokorelasyon katsayıları anlamlı
olduğunda, çarpımsal mevsimsel otoregressif hareketli ortalama modeli
ARIMA(p,0,q)(P,0,Q)
ty
s söz konusu olacaktır. Söz konusu modelde düzenli bileşen
ve mevsim bileşeni hem otoregressif hem hareketli ortalama sürecine sahiptir.
( )( )( )( t
QsQ
s1
qq1
tPs
Ps
1p
p1
eL.....L1L....L1
yL....L1L....L1
Θ−−Θ−θ−θ−
=Φ−−Φ−φ−−φ−
)
ARIMA(p,0,q)(P,0,Q)s modelinin mevsimsel ve mevsimsel olmayan
dereceleri belirlenirken otokorelasyon fonksiyonu ve kısmi otokorelasyon
fonksiyonu grafiklerinden yararlanılır. Kısmi otokorelasyon fonksiyonu grafiğindeki
ilk gecikmelere ait anlamlı korelasyonlardan p, s ve katlarındaki gecikmelere ait
anlamlı korelasyonlardan P belirlenebilirken, s gecikmenin yanındaki
korelasyonlarda yine P nin belirlenmesinde yardımcı olmaktadırlar. Otokorelasyon
fonksiyonu grafiğindeki ilk gecikmelere ait anlamlı korelasyonlardan q, s ve
katlarındaki gecikmelere ait anlamlı korelasyonlardan Q belirlenebilmektedir. s
gecikmenin yanındaki ilişkilerde Q nun belirlenmesi aşamasında yararlı
olmaktadır.133
133 A.e., s.233.
116
Örneğin aylık durağan bir zaman serisi için ARIMA(1,0,1)(1,0,1) modelini,
( )( ) ( )( ) t12
11t12
11 eL1L1yL1L1 Θ−θ−=Φ−φ−
şeklinde gösterebiliriz. Modelde,
( L1 1φ− ), Mevsimlik olmayan AR parametresini
( )121L1 Φ− , Mevsimlik AR parametresini
( L1 1θ− ), Mevsimlik olmayan MA parametresini
( )121L1 Θ− , Mevsimlik MA parametresini temsil etmektedir.
3.4.10.4. SARIMA(P,D,Q) Modeli Mevsimlik durağan seriler için mevsim bileşenin özelliğine göre P dereceden
SAR, Q dereceden SMA veya P ve Q dereceden SARMA modellerinin uygun olduğu
daha önceden değinilmişti. Durağan olmayan mevsimlik serinin mevsim bileşenin
hem otoregressif hem hareketli ortalama sürecine sahip olması durumunda ise, P ve
Q derecelerinden SARIMA(P,D,Q) modeli uygun olmaktadır ve bu modele saf
mevsimsel ARIMA modeli denmektedir. SARIMA modellerinde gözlem değerleri
sadece mevsimsel gecikmelerde ve katlarında bağımlı olmakta, diğer gecikmeler bir
birinden bağımsız olmaktadır.134
Durağan olmayan mevsimlik serinin D inci dereceden mevsimlik farkı
alınarak seri durağanlaştırılmakta, daha sonra durağanlaştırılan serinin otokorelasyon
ve kısmi otokorelasyon fonksiyonları incelenmektedir. Otokorelasyon ve kısmi
otokorelasyon fonksiyonlarında, korelasyonlar üstel olarak sıfıra yaklaşırken, s, ve
katlarındaki anlamlı korelasyonlardan modelin dereceleri olan P ve Q belirlenir.
P, D, Q dercelerinde mevsimsel ARIMA [SARIMA(P,D,Q)] modeli gecikme
işlemcisiyle kullanılarak
( ) ( ) ts
QtDs
sP eLyL Θ=ΔΦ
134 Akgül, A.g.e., s.199.
117
şeklinde ifade edilmektedir. , durağan olmayan mevsimlik seriyi, , beyaz
gürültü serisini, , D inci dereceden mevsimsel farkı, , mevsimsel AR
paremetresini, , mevsimsel MA parametresini göstermektedir.
ty te
DsΔ PΦ
QΘ
Çoğu zaman ekonomik değişkeni sadece mevsim bileşenini içeren bir
modelle açıklamak yeterli olmamaktadır. Dolayısıyla mevsimsel ve mevsimsel
olmayan bileşenleri içeren çarpımsal bir modele gerek duyulmaktadır. Örneğin
ARIMA(1,1,1)(1,1,1)12 modeli, birinci dereceden mevsimsel olmayan ve mevsimsel
farklar yanında; AR(1) terimini, SAR(1), MA(1) ve SMA(1) terimlerini
içermektedir. En genel çarpımsal ARIMA(p,d,q)(P,D,Q)s modeli,
( )( )( ) ( )( )( ) t
QsQ
s1
qq1
tDsdPs
Ps
1p
p1
eL......L1L.......L1
yL1L1L......L1L....L1
Θ−−Θ−θ−−θ−
=−−Φ−−Φ−φ−−φ−
biçiminde yazılmaktadır. ARIMA(p,d,q)(P,D,Q)s modelinin otokorelasyon
fonksiyonu ve kısmi otokorelasyon fonksiyonu grafiklerindeki korelasyonlar yavaş
yavaş azalmaktadır. KOKF grafiğindeki ilk gecikmelere ait anlamlı korelasyonlardan
mevsimsel olmayan AR’ın derecesi p, s ve katlarındaki anlamlı korelasyonlardan ise
mevsimsel AR’ın derecesi olan P belirlenmektedir. Benzer şekilde otokorelasyon
fonksiyonu grafiğindeki ilk gecikmelerden mevsimsel olmayan MA’nın derecesi q, s
ve katlarındaki gecikmelerden ise mevsimsel MA’nın derecesi Q saptanmaktadır.
Ayrıca otokorelasyon fonksiyonununda s gecikmenin yanındaki gecikmelere
(örneğin s-1..., s , s+1..) ait ilişkilerin yönü ve büyüklüğünden Q’nun alacağı, kısmi
otokorelasyon fonksiyonununda s gecikmenin yanındaki ilişkilerden de P’nin alacağı
değerler hakkında bir fikir sahibi olunabilir.135
135 Kadılar, A.g.e., s.233.
118
3.4.11. Box Jenkins Model Kurma Yöntemi Box-Jenkins yöntemi ele alınan zaman serisinin özelliklerine göre belirlenen
çeşitli modeller arasından uygun olanını seçerek tahmin etme sürecini
kapsamaktadır. Bu tür zaman serisi modellerinde serinin kendi iç dinamiği önemli
olup oluşturulan modeldeki değişken, kendi gecikmeli değerleri ve hata teriminin
gecikmeli değerleriyle açıklanmaktadır.136
Box-Jenkins model kurma yöntemi cimrilik137 prensibine dayanmakta ve dört
aşamadan oluşmaktadır:
- Model Belirleme,
- Modelin Tahmini,
- Modelin Uygunluk Testi
- Geleceğe Yönelik Tahmin
3.4.11.1. Model Belirleme Daha öncede belirtildiği gibi bu aşamada öncelikle serinin durağan olup
olmadığının araştırılması gerekmektedir. Serinin otokorelasyon fonksiyonu
incelenerek serinin durağan olup olmadığına karar verilebileceği gibi birim kök
testleri yardımıyla da serinin durağanlığı araştırılabilir. Seri durağan değil ise, fark
alma işlemi ile durağanlaştırılır. Durağanlık sağlandıktan sonra modelin derecesi için
serinin otokorelasyon ve kısmi otokorelasyon fonksiyonlarından yararlanılır. AR
modelinin derecesi anlamlı kısmi otokorelasyon, MA modelinin dercesi ise anlamlı
otokorelasyon katsayılarının sayısı ile belirlenmektedir. Eğer süreç,
AR(p) ise otokorelasyon katsayıları üstel olarak sıfıra yaklaşırken, kısmi
otokorelasyon katsayıları p gecikmeden sonra sıfır olmaktadır. Otokorelasyon
katsayıları üstel azalmanın yanında sinüs dalgası şeklinde veya sarkaç hareketine
benzer bir yapıda da olabilir.
MA(q) ise otokorelasyon katsayıları q gecikmeden sonra sıfır olmakta, buna
karşılık kısmi otokorelasyon katsayıları üstel olarak sıfıra yaklaşmaktadır. Kısmi
otokorelasyon katsayıları sinüsoidal dalgalanma şeklinde de olabilir. 136 Göktaş, A.g.e., s.92. 137 Cimrilik Prensibi (Parsimony): verinin özelliklerini yeterli olarak yansıtan bir model için mümkün olan en az parametrenin kullanılması.
119
ARMA(p,q) modellerinde ise hem otokorelasyon katsayıları hem de kısmi
otokorelasyon katsayıları üstel olarak sıfıra yaklaşırlar. Ayrıca sinüsoidal
dalgalanmalar şeklinde de olabilirler.
3.4.11.2. Modelin Tahmini Uygun model belirlendikten sonra sıra modelin otoregressif ve hareketli
ortalama paremetrelerinin tahmin edilmesi aşamasına gelmektedir. Söz konusu
parametre tahminleri sapmasız, tutarlı ve etkin olmalıdır. Parametrelerin tahmin
edilmesinde en küçük kareler yöntemi kullanılabilmektedir. Ancak bu yöntemin
kullanılması durumunda hata terimlerinde görülen otokorelasyon etkisi nedeniyle
etkin olmayan ve çok büyük varyansa sahip olan parametre tahminleri elde
edileceğinden parametrelerin doğrusal olmayan en küçük kareler yöntemi ile tahmin
edilmesi uygun görülmektedir. Hata terimlerinin normal dağılıma sahip olduğunda
tahmin yöntemi olarak Maksimum Benzerlik de kullanılmaktadır.138
Modelde MA bileşeni olduğunda en küçük kareler yöntemiyle parametrelerin
tahmini hiç de kolay olmadığından iterasyon yöntemi kullanılmaktadır. Yöntemde ilk
önce parametreler için bir başlangıç değeri seçilmekte ve bir bilgisayar programı
yardımıyla hata kareleri toplamını minimum yapan parametre değerleri elde
edilinceye kadar iterasyon işlemi sürdürülmektedir.139
Tahmin aşamasında dikkat edilmesi gereken bazı önemli noktaları aşağıdaki
gibi özetlemek mümkündür:140
- Tahmin edilen tüm AR ve MA parametrelerinin durağanlık ve
çevrilebilirlik sınırı içinde olması gerekmektedir. Tahmin edilen
parametrelerin sınırlar içinde olmamaları durumunda incelenen model red
edilerek yeni bir model belirlenmelidir. Özellikle durağan serinin yanlış
olarak farkının alınması veya durağan olmayan serinin farkının alınmamış
olması durumlarında tahmin edilen AR ve MA parametreleri bu sınırların
dışına çıkmaktadır.
138 Akgül, A.g.e., s.122. 139 Makridakis, Wheelwright ve Hyndman, A.g.e., s.358. 140 Akgül, A.g.e., s.122.
120
- Tahmin edilen AR ve MA parametrelerinin istatistik açıdan önemli
olmaları gerekmektedir, ancak modelin veriye uygunluğu sağlandıktan
sonra, tüm parametre tahminlerinin istatistik açıdan anlamlı olması
gerekmemektedir. Parametrelerin anlamlılığı t-testi kullanılarak test
edilmekte olup anlamsız parametreler modelden çıkartılarak model
yeniden tahmin edilmektedir.
Yukarıdaki açıklamlardan da anlaşılacağı üzere tahmin edilen parametrelerin
hem istatistik olarak anlamlı hem de durağanlık ve çevrilebilirlik sınırları içinde
olmaları gerekmektedir.
3.4.11.3. Modelin Uygunluk Testi Modelin parametreleri tahmin edildikten sonra modelin verilere uyum
sağlayıp sağlamadığı araştırılmaktadır. İlk olarak gözlem serisi ile modelden elde
edilen tahmin serisinin zaman serisi grafiği karşılaştırılır. Ayrıca gözlem serisi ile
tahmin serisinin otokorelasyon fonksiyonları incelenebilir. Hem zaman serisi
grafiklerinin hem de otokorelasyon fonksiyonlarının benzerlik göstermesi halinde
modelin uygunluğu hakkında bir fikir elde edilebilir. Bu aşamadan sonra modelin
hata terimlerininin analizine geçilmektedir.
3.4.11.3.1. Hata Terimlerinin Otokorelasyon Fonksiyonu Model uygun ise hata terimleri arasında otokorelasyon olmaması (beyaz
gürültü sürecine sahip olması) gerekmektedir. Beyaz gürültü süreci özelliğini
gösteren hata terimleri; sıfır ortalama ve sabit varyanslı olup, her gecikme için
otokorelasyon değerleri anlamsız dolayısıyla birbirlerinden bağımsızdırlar.
Tesadüfi serilerde otokorelasyon katsayıları sıfır ortalama ve n/1 standart
sapma ile n sonsuza giderken normal dağılıma yaklaşmaktadır. Bartlett tarafından
önerilen %5 olasılıkla otokorelasyon katsayılarının güven sınırlarını olan n/2m
kriteri kullanılarak otokorelasyon katsayılarının anlamlılığı araştırılabilir.141 Modelin
hata terimlerinden elde edilen otokorelasyon katsayıları güven sınırlarını aştığında,
%5 anlamlılık düzeyinde istatistik olarak sıfırdan farklı ve modelin yanlış 141 Box, Jenkins ve Reinsel, A.g.e., s.34.
121
belirlendiği kabul edilmektedir. Hata terimlerinin otokorelasyon katsayıları güven
sınırlarını aşmadığında %5 anlamlılık düzeyinde istatistik olarak anlamlı değil ve
belirlenen model uygun bir modeldir. Otokorelasyon katsayılarının güven
aralığından başka t benzeri testleri142 yapılarak anlamlı otokorelasyon olup olmadığı
araştırılabilir.
3.4.11.3.2. Box-Pierce Ve LJung –Box Testi Box-Pierce ve Ljung-Box testleri hata terimlerinde elde edilen otokorelasyon
katsayılarının istatistik olarak anlamlılığını tek tek değil de bir arada test edilmesini
sağlayan testlerdir. Ljung-Box testi, Box-Pierce testinin yeniden düzenlenmiş bir
şekli olup küçük örnekler için daha iyi sonuçlar vermektedir.143 Test istatistikleri;144
Box-Pierce Q İstatistiği,
∑=
ρ=m
1k
2knQ
Ljung-Box istatistiği, *Q
( ) ( )∑= −
ρ+=
m
1k
2k*
kn2nnQ
şeklinde hesaplanabilmektedir. Formüllerde;
n; gözlem sayısı
m; gecikme uzunluğu,
p; modeldeki AR parametre sayısı,
q; modeldeki MA parametre sayısı,
kρ ; hata terimleri serisinin otokorelasyon katsayılarıdır ve
∑∑ −=ρ 2
t
kttk e
ee k=1,2,.............,m
formülüyle elde edilmektedir. Her iki test istatistiği m-p-q serbestlik dereceli145 ki-
kare dağılımı göstermektedir. Böylece otokorelasyon katsayılarının anlamsız
142 Bu testler Otokorelasyon Katsayıları ve Otokorelasyon Fonksiyonu başlığı altında verilmişti. 143 Akdi, A.g.e., s.183. 144 Box, Jenkins ve Reinsel, A.g.e., s.314. 145 Gözlem değerlerine ait otokorelasyonların testi için serinin farkı alınsın veya alınmasın serbestlik derecesi m-1 dir.
122
olduğunun kabul edildiği sıfır hipotezine karşılık otokorelasyon katsayılarının
anlamlılığını belirten alternatif hipotez test edilmektedir. Hesaplanan Q ve
istatistik değerleri tablo değerine eşit ve küçük olduğunda sıfır hipotezi
kabul edilmekte ve hatalar arasında otokorelasyon olmadığı ve modelin uygun
olduğuna karar verilmektedir.
*Q 2
qpm, −−αχ
Hesaplanan Q ve istatistik değerleri değerinden büyük ise sıfır
hipotezi red edileceğinden otokorelasyon katsayıları anlamlı ve hatalar beyaz gürültü
özelliği taşımadığından belirlenen modelin uygun olmadığına karar verilmektedir. Bu
takdirde yeni bir modelin belirlenmesi ve aynı aşamaların tekrar edilmesi
gerekecektir.
*Q 2qpm, −−αχ
3.4.11.3.3. Bilgi Kriterleri Modelin belirlenmesi ve parametrelerinin tahmin edilmesinden sonra modelin
uygunluğunun araştırılmasında hipotez testlerinin yanı sıra, bilgi temelli model seçim
kriterleri de 1970’ler itibaren kullanılmaya başlanmıştır.146
Model belirleme aşamasında modelin dereceleri olması gerekenden yüksek
belirlendiğinde parametrelerin tahminleri istenildiği gibi çıkmayabilir. Örneğin
modelin derecesi yüksek alındığında serbestlik derecesi küçüleceğinden varyans
büyük çıkacaktır. Modelin derecesinin yüksek olmasından dolayı serbestlik
derecesinde oluşacak kaybın bir cezası (penalty) vardır. Bilgi kriterleri bu cezayı en
küçük yapacak model derecesini (parametre sayısı) belirlemek için gerek zaman
serilerinde gerek regresyon analizlerinde sıklıkla kullanılmaktadır.147 Akaiki Bilgi
Kriteri (AIC), Schwartz’ın Bayesian Bilgi Kriteri (SBC) ve Hannan-Quinn Bilgi
Kriteri (HQIC) en çok kullanılan bilgi kriterleridir ve148,
Akaiki Bilgi Kriteri (AIC),
146 Meltem Şengül Ucal, “Ekonometrik Model Seçim Kriterleri Üzerine Kısa Bir İnceleme”, C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt:7, Sayı:2, 2006, s.41-57. 147 Akdi, A.g.e. s.182. 148 Chris Brooks, Introductory Econometrics for Finance, Cambridge University Press, 2002, s. .257.
123
nk2lnAIC 2
e +σ= nk2 ; ceza (penalty) faktörü
Schwartz’ın Bayesian Bilgi Kriteri (SBIC),
( )nlnnklnSBIC 2
e +σ= ( )nlnnk ; ceza (penalty) faktörü
Hannan-Quinn Bilgi Kriteri (HQIC)
( )( )nlnlnnk2lnHQIC 2
e +σ= ( )( nlnlnnk2 )
; ceza (penalty) faktörü
şeklinde hesaplanmaktadır. Burada, 2eσ , hata terimleri varyansı ,
k, sabit terim de dahil olmak üzere modeldeki parametre sayısı
, ( )1qpk ++=
n, gözlem sayısıdır.
Bilgi kriterleri kendi aralarında karşılaştırıldığında; SBIC değeri AIC
değerinden her zaman küçük iken HQIC değeri SBIC ve AIC değerleri arasındadır.
Model karşılaştırmalarında her zaman en küçük bilgi kriteri değerine sahip model
uygun model olarak seçilmelidir.149 Pek çok istatistik paket programı bu
istatistiklerin aldıkları değerleri hesaplamaktadır.
3.4.11.3.4. Tahmin Başarısını Ölçen Kriterler Buraya kadar anlatılan kriterlere göre birden çok uygun model söz konusu
olabilir. Bu durumda en iyi modelin seçilmesi gerekmektedir. En iyi modelin verilere
uygun olmasının yanı sıra tahmin başarısı da yüksek olmalıdır. Bu amaçla modellerin
tahmin başarılarının karşılaştırılmaları amacıyla çeşitli kriterler kullanılmaktadır. Bu
kriterler Hata Kareleri Toplamı, Ortalama Hata Kare, Hata Karelerinin Kök
Ortalaması, Ortalama Mutlak Hata, Ortalama Mutlak Yüzde Hata, Ortalama Yüzde
Hata, Kök Ortalama Yüzde Hata Kare ve Theil’in U-Eşitsizlik Katsayısıdır.
Hata Kareleri Toplamı,
( )2tt
2t yyeHKT ∑ ∑ −==
Ortalama Hata Kare,
149 A.e.
124
( )knyy
OHK2
tt
−
−= ∑
Kök Ortalama Hata Kare,
( )knyy
KOKH2
tt
−
−= ∑
Ortalama Mutlak Hata,
kn
yyOMH tt
−
−= ∑
Ortalama Mutlak Yüzde Hata,
n100
yyy
OMYHt
tt∑ −=
Ortalama Yüzde Hata,
∑ ⎟⎟⎠
⎞⎜⎜⎝
⎛ −−
=t
tt
yyy
kn1OYH
Kök Ortalama Yüzde Hata Kare, 2
t
tt
yyy
kn1KOYHK ∑ ⎟⎟
⎠
⎞⎜⎜⎝
⎛ −−
=
Theil’in U-İstatistiği,
( )
∑∑
∑
+
−=
2t
2t
2tt
yn1y
n1
yyn1
U
Eşitliklerde yer alan ifadeler;
n, durağan hale getirilen serinin gözlem sayısı,
k, modeldeki parametre sayısı,
ty ; modelden elde edilen tahmin değeri,
ty ; gözlem değeri
Alternatif modeller içinde bu modellerin tahmin başarısını karşılaştırmak için
kullanılan bu kriterlerin değerlerinin en küçük olması istenmektedir. Theil’in U
125
istatistiğinin 0,55’den küçük olması modelin seriye uyumunun iyi olduğunu
göstermektedir. Bu değerleri en küçük olan ve en az parametreye sahip olan model
en iyi model olarak seçilerek geleceğe yönelik tahminler yapılmaktadır.
3.4.11.4. Geleceğe Yönelik Tahmin Zaman serisi için model oluşturulduktan ve uygunluk testlerinden
geçirildikten sonra bu model geleceğe yönelik tahmin amacıyla kullanılmaktadır.
Ancak tahminden önce iki durum söz konusu olmaktadır. Bunlardan birincisi model
tahmin edilirken ortalamadan farklar kullanılmış ise ortalamanın modele ilave
edilmesi, ikincisi ise model tahmini yapılırken seri fark alınarak durağanlaştırılmış
ise bu fark alma işleminin derecesinin göz önüne alınmasıdır.150
Model kullanılarak yapılan tahminler nokta tahminlerdir. Belirli bir olasılıkla
bu tahminlerin güven aralıkları belirlenebilir. Tahminlerin güven aralığını belirlemek
ve yeni dönem tahminlerini eski dönem tahminlerinin güncelleştirilmesinden
arındırmak için ağırlıklarının hesaplanması gerekmektedir.jψ 151 Genel bir ARIMA
modeli için ağırlıklar aşağıdaki gibi hesaplanmaktadır.
10 =ψ
111 θ−φ=ψ
22112 θ−φ+ψφ=ψ
.
.
jdpjdp2j21j1j ....... θ−ψφ++ψφ+ψφ=ψ −−+−−
Daha sonra istenilen olasılıkla (%95 veya %99 olasılıkla) çift taraflı Z
(Normal Dağılım) değeri kullanılarak tahmin aralığı belirlenmektedir.
∑−
=α+ ψ+±
1l
1j
2j2/lt 1SZy
S; modelin standart hatası,
l; tahmin yapılacak gelecek dönemleri gösteren sayı
150 Orhunbilge, A.g.e., s.198-199. 151 A.e., s.200-201.
126
3.5. OTOREGRESSİF KOŞULLU DEĞİŞEN VARYANS
MODELLERİ Klasik ekonometrik modellerdeki sabit varyans varsayımının pek çok
ekonomik zaman serisinde geçerli olmadığına yönelik bulgular, zaman döneminde
değişebilen varyansların modellemesine izin veren ve ARCH modelleri olarak
adlandırılan yeni zaman serileri modellerinin kullanılmasını yaygın hale getirmiştir.
Engle (1982) tarafından önerilen ARCH modellerinin tahmin sürecinde varyans
sabit olmamakla birlikte, değişen varyans regresyonla birleştirilmiştir. Yardımcı
regresyon modeli olarak da adlandırılan varyans modeli ile ortalama modeli sıradan
en küçük kareler tekniği ile ayrı ayrı tahmin edilebileceği gibi Maksimum Benzerlik
(Maximum Likelihood) tekniği ile eşanlı olarak da tahmin edilebilir. Yapılan
tahminlerde, hataların ARCH sürecini izleyip izlemediğini belirlemek amacıyla,
sıradan en küçük kareler hatalarının karelerinin otokorelasyonuna dayanan Lagrange
Çarpanı testinden yararlanılır.
İktisat teorisini test etmek amacıyla kullanılan ekonometrik modellerin
stokastik bileşenini ifade eden hata terimine ilişkin bazı varsayımlar yapılır. Bu
varsayımlardan biri hata teriminin varyansının sabit olduğu ve zaman içinde
değişmediği şeklindedir. Diğer bir deyişle, X değerlerinin değişmesine karşın hata
teriminin (e) dağılımının değişmediği varsayılır. Bu şekilde zaman içinde
değişmeyen serinin “sabit varyanslı (homoscedastic)” olduğu söylenir. Varsayımın
yerine getirilmemesi durumunda ise serinin “değişen varyanslı (heteroscedastic)”
olduğu ifade edilir. Stokastik varsayımlardan bir diğeri ise hata terimlerinin
birbirinden bağımsız olduğu yani aralarında otokorelasyon olmaması varsayımıdır.
Genel olarak otokorelasyon zaman serilerinde, değişen varyans ise yatay-
kesit verilerinde ortaya çıkmaktadır. Ancak bu zaman serilerinde farklı varyanslılık
sorunu olmayacağı anlamına gelmez.152 Özellikle, tahmin hatalarının varyansının
sabit olmayıp, dönemden döneme farklılık göstermesi durumunda tahmin hatalarının
varyansı farklı varyans olarak nitelendirilir. Tahmin hatalarındaki bu istikrarsız
dalgalanmaya veya olağan dışı değişebilirliğe oynaklık (volatilite) adı
152 A.H. Studenmund, Using Econometrics: A Practical Guide, Third Edition, Addison-Wesley, 1997, s.367.
127
verilmektedir.153 Tahmin hatalarındaki oynaklık, özellikle politik belirsizliklerle,
hükümetlerin para ve mali politikalarındaki değişikliklere oldukça duyarlıdır.
Böylece, ekonomik zaman serilerinin çoğunun ekonomideki belirsizliklere ve
istikrarsızlıklara bağlı olarak önemli ölçüde oynaklık gösterdiği söylenebilir. Öte
yandan, bir zaman serisinde oynaklığın olması, bir anlamda tahmin varyanslarının
otokorelasyonlu olmasına neden olmaktadır. Özellikle yüksek frekanslı ve geniş
oynaklık gösteren zaman serilerinde değişen varyans ve otokorelasyon problemleri
birlikte ortaya çıkmaktadır. Kuşkusuz bu durumda, söz konusu zaman serilerinde,
hataların varyansının zaman dönemi içinde sabit olduğu şeklindeki varsayımı
bozulmaktadır.
Engle 1982’deki çalışmasında bu varsayımı Genelleştirmiş ve Otoregresif
Koşullu Değişen Varyans (AutoRegressive Conditional Heteroscedastic-ARCH)
süreçleri olarak adlandırılan, stokastik süreçlerin yeni bir türünü önermiştir. Engle’e
göre sıfır ortalamaya sahip olan ARCH süreçleri, koşulsuz sabit varyansa değil,
geçmişe bağlı olarak değişen varyansa sahip olup serisel olarak korelasyonsuz
süreçlerdir. Bollerslev (1986), ARCH modelini genelleştirilmiş ve bu modele
Genelleştirilmiş ARCH (kısaca GARCH) adını vermiştir.
3.5.1. Koşullu Ve Koşulsuz Varyans Geleneksel ekonometrik modellerin varsayımlarından biri hata terimlerinin
varyansının sabit olmasıdır. Ancak çoğu ekonomik zaman serilerinde büyük
dalgalanmalar görülmekte ve böylece sabit varyans varsayımı sağlanamamaktadır.
Değişen varyansın tahmin edilmesinde bağımsız değişkenlerden yararlanma sıklıkla
kullanılan bir yaklaşımdır.
Koşullu ve koşulsuz varyansı açıklamak için aşağıdaki modeli yazılabilir.
t1t1t xey ++ = (80)
Modelde; , sabit varyanslı ( ) beyaz gürültü hata terimidir. Eğer
ise, serisi sabit varyanslı bir beyaz gürültü sürecine
te 2σ
sabit......xxx 2t1tt ==== −− ty
153 Erkan Işığıçok, “Türkiye’de Enflasyonun Varyansının ARCH ve GARCH Modelleri ile Tahmini”, Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt:17, No:3, 1999, s.1-14.
128
sahip olacaktır. Bununla birlikte, serisinin gerçekleşen değerlerinin tümü eşit
değil ise ’ye koşullu olarak ’in koşullu varyansı,
tx
tx 1ty +
(81) ( ) 22tt1t xx/yV σ=+
olacaktır.154 Burada ’in koşullu varyansı ’nin gerçekleşen değerlerine
bağımlıdır. Diğer bir ifadeyle değerleri t zamanda gözlenebildiği için ’in
koşullu varyansı ’nin gerçekleşen değerlerine dayanarak elde edilebilir. Eğer
değeri büyük ise ’in koşullu varyansı büyük, değeri küçük ise ’nin
koşullu varyansı küçük olacaktır. Ayrıca ’nin ardışık değerleri pozitif
otokorelasyona sahip ise ’nin koşullu varyansları da pozitif otokorelasyona sahip
olacaktır. ve arasındaki bu ilişkiden dolayı ardışık değerlerindeki oynaklık
ardışık değerlerince açıklanabilecektir.
1ty + tx
tx 1ty +
tx 2tx
1ty +2tx 1ty +
tx
ty
tx ty ty
tx 155
Engle 1982’deki çalışmasında bir serinin ortalamasının ve varyansının eşanlı
olarak modellemenin mümkün olduğunu göstermiştir. Engle yaklaşımında koşullu
tahminler koşulsuz tahminlerden daha üstündür. Bu durumu açıklamak için durağan
bir AR(1) modeli,
(82) t1t10t eyy +φ+φ= −
ele alındığında (82)’nolu model in koşullu tahmini, ’nin beklenen değerinin
sıfır olması nedeniyle,
1ty + te
(83) ( ) t101t yyE φ+φ=+
şeklinde yazılabilir. ’in tahmini için bu koşullu ortalama kullanılırsa koşullu
tahmin hatasının varyansı,
1ty +
( ) ( ) 221t
2t101t eEyyE σ==φ−φ− ++ (84)
biçiminde sabit olacaktır. Koşullu tahmin yerine koşulsuz tahmin kullanılması
durumunda, söz konusu koşulsuz tahmin her zaman serisinin uzun dönem
ortalaması olup;
ty
154 Enders, A.g.e., s.139. 155 A.e., s.140.
129
( )1
0
1 φ−φ
değerine eşittir. Bu koşulsuz ortalama kullanılarak koşulsuz tahmin hatasının
varyansı;
( ) ( ) ( )21
22
2t311t
21t11t
2
1
01t 1
.......eeeeE1
yEφ−
σ=+φ+φ+φ+=⎟⎟
⎠
⎞⎜⎜⎝
⎛φ−
φ− −−++
olarak elde edilir. ( ) 11
121
>φ−
olduğundan koşulsuz tahminler, koşullu tahminlere
göre daha büyük bir varyansa sahip olacaktır. Bundan dolayı şimdiki ve geçmiş
gerçekleşen gözlem değerlerini hesaba dahil eden koşullu tahminler daha küçük
varyans sahip olduğundan tercih edilirler.156
Eşitlik (82)’deki modelin hata terimi ’nin varyansı sabit değilse,
varyanstaki devamlı oynaklığın eğilimi tahmin edilebilir. Örneğin , eşitlik
(82)’deki modelin hata terimlerini göstermek üzere, in koşullu varyansı;
te
te
1ty +
( ) ( ) ( )21t
2t101tt1t eEyyEy/yV +−+ =φ−φ−=
olur. Eşitlik (5) de de görüldüğü gibi in beklenen değeri ’ye eşit dolayısıyla
koşullu varyans sabittir. Koşullu varyansın sabit olmadı varsayıldığında eşitlik
(82)’de tahmin edilen hataların kareleri alınarak koşullu varyans p’inci dereceden bir
otoregressif model AR(p) olarak gösterilebilir.
21te +
2σ
t2
ptp2
2t22
1t102tt ve.....eeeh +α++α+α+α== −−− (85)
Modelde beyaz gürültü serisidir. Eğer modelin katsayıları , ,....., ’nin
tamamı sıfıra eşitse tahmin edilen varyans, modelin sabiti
tv 1α 2α pα
0α değerine eşit olur.
Eşitlik (85) otoregressif bir model olup, t+1 dönemindeki koşullu varyans;
21ptp
21t2
2t10
21t1t e.....ee)e(E)h(E +−−++ α++α+α+α==
şeklinde tahmin edilebilir. Eşitlik (85) daki model otoregressif koşullu değişen
varyans (ARCH) modelidir. Modeldeki hatalar ister otoregresyondan, ister ARMA
156 Enders, A.g.e., s.142.
130
modelinden isterse klasik regresyondan elde edilmiş olsun ARCH modellerin geniş
bir kullanım alanı vardır.157
Eşitlik (85)’deki modelin yerine, ’nin çarpımsal hata olarak
kullanılmasının daha kolay sonuca götürdüğünü belirten Engel 1982’deki
çalışmasında aşağıdaki modeli önermiştir.
tv
158
21t10tttt evhve −α+α== (86)
Modelde; , sıfır ortalama ve birim varyansa sahip aynı ve bağımsız
dağılan bir beyaz gürültü serisidir. ve birbirlerinden bağımsızdır. Modelin
parametreleri olan ve için sırasıyla,
tv )1( 2v =σ
tv 1te −
0α 1α 00 >α , 10 1 <α< kısıtları vardır.159
tv beyaz gürültü serisi ve aynı zamanda ile birbirlerinden bağımsız olduğundan
serisinin elemanlarının ortalamasının sıfır ve korelasyonsuz olduğu gösterilebilir.
Bu amaçla ’nin koşulsuz beklenen değeri alındığında,
1te −
te
te
( ) ( )21t10tt evEeE −α+α= ( ) 0vE t =
( ) ( ) ( ) 0eEvEeE 21t10tt =α+α= −
sonucuna ulaşılır. Ayrıca ( ) 0vvE itt =− olduğundan 0i ≠ olmak üzere ( ) 0eeE itt =−
dır. ’nin koşulsuz varyansı için ’nin karesi alınır ve sonrasında koşulsuz
beklenen değeri,
te te
( ) ( )( )21t10
2t
2t evEeE −α+α=
( ) ( ) ( )21t10
2t
2t eEvEeE −α+α=
şeklinde elde edilir. ’nin varyansı ve koşulsuz varyansı tv 12v =σ te ( ) ( )2
1t2t eEeE −=
olduğundan koşulsuz varyans,
( ) ( )1
02t 1
eEα−
α=
olacaktır.
157 Enders, A.g.e., s.142. 158 Robert F. Engle, “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation”, Econometrica, Cilt:50, No:4, Haziran 1982, s.987-1007. 159 Enders, A.g.e., s.142.
131
Buraya kadar yapılan açıklamalardan koşulsuz ortalama ve koşulsuz
varyansın eşitlik (86)’daki hata sürecinden etkilenmediği söylenebilir. Koşulsuz
ortalamaya benzer bir şekilde ’nin koşullu ortalamasının da sıfır olduğu
gösterilebilir. ve bağımsız ve
te
tv 1te − ( ) 0vE t = olmak üzere ’nin koşullu
ortalaması,
te
( ) ( ) ( ) 0eEvE,...e,e/eE 21t10t2t1tt =α+α= −−−
12v =σ ve geçmiş dönem değerleri , , .....’in üzerine koşullu
varyans,
te 1te − 2te −
( ) ( ) ( )21t10
2tt2t1t
2t eEvEh,...e,e/eE −−− α+α==
( ) 21t10t2t1t
2t eh,...e,e/eE −−− α+α== (87)
biçiminde elde edilir. Eşitlik (87)’den görüldüğü üzere ’nin koşullu varyansı t-1
zamanda gerçekleşen ’in karesine bağlıdır. değeri büyük olduğunda t
zamandaki koşullu varyans da büyük olacak, küçük olduğunda koşullu varyans da
küçük olacaktır. Eşitlik (87)’deki model birinci dereceden otoregressif bir süreç olup
model ARCH(1) olarak gösterilir. Koşullu varyansın negatif olmasını önlemek için
modelin katsayılarının her ikisinde pozitif olması gerekmektedir. negatif
olduğunda, pozitif olsa bile, ’in yeteri kadar küçük değerine karşılık koşullu
varyans negatif olabilecektir.
te
1te −2
1te −
0α
1α 1te −
0α pozitif iken, 1α negatif olduğunda yeteri kadar
büyük değerine karşılık koşullu varyans yine negatif olabilecektir. Modelin
katsayılarının pozitiflik koşulunun yanı sıra otoregressif sürecin durağan olabilmesi
için koşulununda sağlanması gerekmektedir.
1te −
10 1 <α< 160
160 Enders, A.g.e., s.142.
132
3.5.2. ARCH Etkisinin Araştırılması Zaman serilerinde ARCH etkisi olup olmadığını araştırmak için çeşitli
yöntemler mevcuttur. Bunlardan biri hata terimlerinin karelerine ait korelagramın
incelenmesidir. Hatalar birbirleri ile ilişkili olmadığı halde, hata kareleri birbirleri ile
ilişkili ise ARCH etkisinden söz edilebilir.161
Bir diğer yaklaşım hata terimlerinin dağılımının normal dağılıp
dağılmadığının kontrol edilmesidir. ARCH etkisi içeren zaman serilerine ait hata
terimlerinin genelde basıklık değeri yüksektir.
3.5.2.1. Lagrange Çarpanı Testi Zaman serisinde ARCH etkisinin varlığını araştırmada kullanılan bir diğer
yöntem 1982 de Engel tarafından önerilen Lagrange Çarpanıdır.162 Öncelikli olarak
yöntemde zaman serisi için uygun olan regresyon veya ARMA modeli en küçük
kareler yardımıyla tahmin edilir.
tntn2t21t10t ey.....yyy +φ++φ+φ+φ= −−−
Tahmin edilen modele ait hataların kareleri ( )2te elde edilir ve bir sabit ile birlikte
, , , ......, olmak üzere, p gecikmeli bir regresyon modeli
oluşturulur.
21te −
22te −
23te −
2pte −
2ptp
22t2
21t10
2t e......eee −−− α++α+α+α= (88)
Modelin, hariç katsayılarının anlamlılık testi yapılır. Eşitlik (88) deki regresyon
denkleminin çoklu belirlilik katsayısı
0α
( )2R ile p adet verinin kaybolduğu n gözlem
değeri çarpılarak,
2nRLM =
test istatistiği hesaplanır. Söz konusu test istatistiği,
0.....:H p210 =α==α=α
En az biri sıfırdan farklıdır. :H1
161 Otokorelasyon katsayılarının anlamlılıkları daha önce bahsedilen güven aralıklarının yanı sıra Box-Pierce ve Ljung Box testleriyle de araştırılmaktadır. 162 Enders, A.g.e., 145.
133
şeklindeki ARCH etkisinin olmadığı sıfır hipotezi altında, dağılımına yaklaşır.
Eğer ARCH etkisi yok ise, tahmin edilen parametrelerin
2pχ
1α den ’e kadar sıfır
olması gerekir. Bu durumda regresyon denkleminin belirlilik katasyısı
pα
( )2R oldukça
küçük çıkacağından, düşük açıklayıcı güce sahip olacaktır. Böylece hipotezi
reddedilemez ve hataların varyansı
0H
( ) 0tt heV α== olur. Dolayısıyla hatalar bir
beyaz gürültü serisi olup sabit varyansa sahiptirler. hipotezinin reddedilmesi
durumunda hatalar arasında ARCH etkisinin olduğu anlaşılır ve hatalar bir beyaz
gürültü serisi değildir. En az bir ARCH parametresi anlamlıdır.
0H
3.5.3. ARCH(p) Modeli ARCH regresyon modeli, zaman serisi modellerindeki sabit varyans
varsayımını geçersiz kabul ederek varyansın , tahmin hatalarının karelerinin bir
fonksiyonu olarak değişmesine izin vermektedir. serisi,
th
ty it−Ψ bilgi kümesine bağlı
olarak koşullu ortalama ve koşullu varyansı ile normal bir dağılıma
sahiptir.
bx t th163 Engel tarafından önerilen ARCH regresyon modeli164;
itt /y −Ψ ~ N ( )tt h,bx olmak üzere koşullu varyans tahmin hatalarının karelerinin
açık bir fonksiyonu olarak, 2
ptp2
2t22
1t10t e........eeh −−− α++α+α+α=
şeklinde yazılabilir. Daha genel bir ifadeyle,
∑=
−α+α=p
1i
2iti0t eh
olarak gösterilebilir. , t zamandaki gözlem değeri ile aynı döneme ait tahmini
değer arasındaki farkdır ve
te
bxye ttt −=
şeklinde yazılabilmaktedir.
163 Işığıçok, A.g.e., s.1-14. 164 Engle, A.g.e., s.987-1007.
134
Koşullu varyans denklemi incelendiğinde tahmin hatalarının kareleri büyük
olduğunda koşullu varyans da büyük, küçük olduğunda koşullu varyansta küçük
olacaktır.
Koşullu varyans denkleminde yer alan parametrelere ilişkin bazı kısıtlamalar
mevcuttur. ’nin gerçekleşen bütün değerleri için koşullu varyans pozitif
olmalıdır. Modelde kullanılan hataların kareleri alındığından negatif olamazlar. O
halde koşullu varyansın pozitif olabilmesi için modelde yer alan , , , ......,
parametrelerinin negatif olmaması gerekir. Böylece,
te th
0α 1α 2α
pα 00 >α ve i=1,2,....p olmak
üzere kısıtları söz konusudur. Modeldeki parametrelerin tamamının sıfırdan
büyük olması gerekir. Parametrelerden herhangi birinin negatif olması durumunda
tek bir büyük hata, koşullu varyansın negatif olmasına neden olabilir. Parametrelerle
ilgili diğer bir kısıtlama, hariç olmak üzere parametrelerinin her birinin veya
toplamının 1’den küçük olması gerekir . Bu kısıtlama, sürecin
kararlılığının sağlanması için gereklidir. Aksi halde, süreç sonsuz varyansa sahip
olur.
0i ≥α
0α
⎟⎟⎠
⎞⎜⎜⎝
⎛<α∑
=
p
1ii 1
Otoregressif koşullu değişen varyans (ARCH) modelinde Maksimum
Benzerlik Yöntemi, En Küçük kareler yöntemine göre daha etkin tahminler verir.
3.5.3.1. ARCH Modelin Özellikleri ARCH modelinin özelliklerini ARCH(1) modelini kullanarak açıklamaya
çalışalım.165 Birinci dereceden bir ARCH(1) modeli,
ttt hve =
21t10t eh −α+α=
şeklinde yazılabilir. , 00 >α 11 ≥α ve sıfır ortalama ve 1 varyans değeri ile
bağımsız ve aynı dağılımlı tesadüfi değişkendir.
tv
1) Hata terimi ’nin koşulsuz ortalaması sıfırdır. te
165 Tsay, A.g.e., s.83-86.
135
( ) ( )( ) ( )( ) 0vEhE/eEEeE tt1ttt ==Ψ= − (89)
2) Hata terimi ’nin koşulsuz varyansı, te
( ) ( )1
02et 1
eVα−
α=σ= (90)
eşitliği ile gösterilmektedir. Koşulsuz varyans şu şekilde elde edilir.
( ) ( ) ( )( )1t2t
2tt /eEEeEeV −Ψ==
( ) ( ) ( )21t0
21t10t eEeEeV −− +α=α+α=
te sıfır ortalama ve değişmeyen varyans ile durağan bir sürece sahiptir.
( ) ( ) ( )21t1tt eEeVeV −− ==
( ) ( )t10t eVeV α+α=
( ) ( ) 0t1t eVeV α=α−
( ) ( ) 0t1 eV1 α=α−
( ) ( )1
02et 1
eVα−
α=σ=
’nin varyansının pozitif olabilmesi çin te 10 1 ≤α≤ koşulunun sağlanması
gerekmektedir.
3) Hata terimi ’nin yüksek dereceden momentlerinin olabilmesi çin te 1α ’in
koşulunun dışında ilave bir başka koşulu da sağlamalıdır. ’nin
dördüncü dereceden moment değeri,
10 1 ≤α≤ te
( )
( )( )211
120
4 31113
mα−α−
α+α=
ifadesiyle bulunmaktadır. ’nin dödüncü momenti pozitif olduğundan te 1α ’in
veya diğer bir ifadeyle ilave koşulunu yerine getirmelidir.
Basıklık değeri dördüncü dereceden moment değerinin varyansın karesine
bölümünden elde edildiğine
031 21 >α− 3/10 2
1 <α≤
166 göre ’nin koşulsuz basıklık değeri, te
166 Neyran Orhunbilge, Tanımsal İstatistik Olasılık ve Olasılık Dağılımları, Avcıol BasımYayın, 2000, İstanbul, s.137.
136
( )( )( )
( )( )( )
( )
2
1
0
211
120
2t
4t
1
31113
eVeE
⎟⎟⎠
⎞⎜⎜⎝
⎛α−
α
α−α−α+α
=
( )( )( )
( )( )( )
( ) ( )( )( )2
1
1120
21
211
120
2t
4t
311131
31113
eVeE
α−α−α+
=αα−
×α−α−
α+α=
( )( )( )
( )( ) 3
3113
eVeE
21
21
2t
4t >
α−α−
=
te ’nin basıklık değeri normal dağılımın basıklık değeri olan 3’ten büyük olmasından
dolayı ’nin dağılımı normal dağılıma göre daha sivri ve daha kalın kuyrukludur. te
3.5.3.2. ARCH Modelin Zayıf Yönleri ARCH modelin avantajları olmasına karşın bazı zayıf yanları da vardır.
Değişkenlik önceki şokların karesine bağımlı olduğundan ARCH model değişkenlik
üzerinde pozitif ve negatif şokların (haberlerin) aynı etkiye sahip olduğunu
varsaymaktadır. Halbuki gerçekte finansal varlıkların fiyatlarının pozitif ve negatif
şoklara farklı cevap verdikleri çok iyi bilinmektedir. Seri sonlu bir dördüncü
momente sahipse ARCH(1) modelinde 0 ile 1/3 aralığında olmalıdır. Bu kısıt ise
daha üst dereceden ARCH modelleri için karmaşık bir hal almaktadır. ARCH model
finansal zaman serilerinde değişimlerin kaynağını anlamayı sağlayacak yeni bir
yaklaşım getirmemektedir. Sadece koşullu varyansın davranışını tanımlamakta
mekanik bir çözüm sunmaktadır. Meydana gelen değişkenliğin nedeni hakkında bir
ipucu vermemektedir. ARCH modelleri değişkenliği aşırı tahmin
edebilmektedirler.
21α
167
167 Tsay, A.g.e., 87.
137
3.5.4. GARCH(p,q) Modeli ARCH modeli basit olmasına rağmen bazı serilerdeki değişkenliği
modellemek için sıklıkla çok sayıda parametreye gereksinim duyar. Diğer bir
ifadeyle söz konusu seri yüksek dereceden bir ARCH modeli olabilmektedir. Yüksek
dereceden ARCH modelinde model parametrelerine getirilen koşulları sağlamak
güçtür. 1986 yılında Tim Bollerslev tarafından önerilen Genelleştirilmiş Otoregressif
Koşullu Değişen Varyans Modeli (GARCH) yönteminde hata terimlerinin
karelerinin yanında koşullu varyansın geçmiş değerleri modele dahil edilmiştir.
Böylece daha az parametre kullanarak serideki değişkenliği GARCH yöntemiyle
modellemek mümkün olmuştur. Pek çok uygulamada değişkenliğin GARCH
yöntemiyle modellenmesi halinde, modelin dereceleri için 2p ≤ ve ’nin yeterli
olduğu görülmüştür.
2q ≤168 Genel bir GARCH modeli eşitlik (91) ve eşitlik(92)’de
verilmektedir.
ttt hve = ( )1,0~N,vt
2qtq
22t2
21t1
2ptp
22t2
21t10t h.....hhe......eeh −−−−−− β++β+β+α++α+α+α= (91)
veya kısaca;
∑∑=
−=
− β+α+α=q
1j
2jtj
p
1i
2iti0t heh (92)
te hata terimlerinin koşullu varyansı zamanla değişmekte iken,
koşulu altında koşulsuz varyansı,
1q
1jj
p
1ii <β+α ∑∑
==
∑ ∑= =
β−α−
α=σ p
1i
q
1jji
02e
1
olmaktadır. kısıtı sağlandığı sürece ’nin koşulsuz varyansı sonlu
olmakta, kısıt sağlanamadığında ise koşulsuz varyans sonsuza gitmektedir.
1q
1jj
p
1ii <β+α ∑∑
==te
168 Abdurrahman Bekir Aydemir, Volatility Modelling in Finance, Forecasting Volatility in The Financial Markets, Buttrworth-Heinemann, 1998, s.7.
138
GARCH(p,q) modeli otoregressif ve hareketli ortalama bileşenlerinden
oluşmaktadır. Eşitlik (92)’deki GARCH modelinde q=0 olduğunda model bir
ARCH(p) modeline dönüşecektir.
GARCH modeli bir ARMA modeli olarak gösterilebilir. , t zamandaki
hatanın karesi ile koşullu varyans arasındaki farkı göstermek üzere,
tε
t2tt he −=ε
veya
t2tt eh ε−=
yazılabilir. Örneğin GARCH(1,1) modeli,
1t12
1t10t heh −− β+α+α=
şeklinde olup yukarıda açıklanan eşitlikler GARCH(1,1) modelinde yerlerine yazılıp
gerekli düzenlemeler yapıldıktan sonra ARMA(1,1) modeline ulaşılabilmektedir.
( )1t2
1t12
1t10t2t eee −−− ε−β+α+α=ε−
t1t12
1t12
1t102t eee ε+εβ−β+α+α= −−−
( ) t1t12
1t1102t ee ε+εβ−β+α+α= −−
Son elde edilen eşitlik hata kareleri serisi için bir ARMA(1,1) modelidir. Modelde tε
serisi bir beyaz gürültü sürecine sahiptir.
GARCH modelleri, daha az parametre kullanması (parsimonious-cimri) ve
aşırı tahminlerden kaçınması nedeniyle ARCH modellere göre daha yaygın kullanım
alanına sahiptir. Bu özellik GARCH modellerinin ARCH modellerine bir
üstünlüğüdür. Örneğin günlük gözlemlenmiş bir seride 5 günlük bir gecikme ARCH
modeli yetersiz iken, aynı seri GARCH(1,1) olarak modellenebilmektedir.169
GARCH modelinin cimriliğini açıklamak için GARCH(1,1) modelinden
yararlanabiliriz.170 t zamandaki koşullu varyans,
1t12
1t10t heh −− β+α+α=
t-1 zamandaki koşullu varyans,
2t12
2t101t heh −−− β+α+α=
t-2 zamandaki koşullu varyans, 169 Peijie Wang, Financial Econometrics Methods and Models, Routledge, 2003, s.36. 170 Brooks, A.g.e., s. 452-455.
139
3t12
3t102t heh −−− β+α+α=
yazılabilir. t-1 ve t-2 zamandaki koşullu varyans eşitliklerini t zamandaki koşullu
varyans eşitliğindeki yerine yazıp gerekli düzenlemeler yapıldığında,
( )2t12
2t1012
1t10t heeh −−− β+α+αβ+α+α=
2t21
22t1101
21t10t heeh −−− β+αβ+αβ+α+α=
( )3t12
3t1021
22t1101
21t10t heeeh −−−− β+α+αβ+αβ+αβ+α+α=
3t31
23t1
210
21
22t1101
21t10t heeeh −−−− β+αβ+αβ+αβ+αβ+α+α=
( ) ( ) 3t31
2211
21t1
2110t hLL1e1h −− β+β+β+α+β+β+α=
elde edilir. Bu işlem sürdürüldüğünde aşağıdaki eşitlik elde edilmektedir.
( ) ( ) 0122
112
1t12110t h........LL1e.....1h ∞
− β++β+β+α++β+β+α=
Yukarıdaki eşitlikteki ilk terim sabit olup 0γ ile gösterebilir. Eşitliğin son terimi
sıfıra doğru yaklaşır. Gerekli düzenlemelerden sonra,
∞β1
( ).....1 21100 +β+β+α=γ
( )........LL1eh 2211
21t10t +β+β+α+γ= −
............eeh 22t2
21t10t +γ+γ+γ= −−
elde edilir, son eşitlik sonsuz dereceli bir ARCH modelidir. Yukarıdaki işlemlerden
de anlaşılacağı üzere yüksek dereceden ARCH modelleri GARCH(1,1) modeline
yaklaşmaktadır.
3.5.4.1. GARCH Modelin Özellikleri GARCH(p,q) modelinin özelliklerini GARCH(1,1) modeli yardımıyla
incelenebilir.171
ttt hve = ( )1,0~N,vt
1t12
1t10t heh −− β+α+α= 10 α≤ , 11 ≤β ve 111 <β+α
1) nin beklenen değeri sıfır olduğundan hata terimlerinin koşullu ve
koşulsuz ortalaması sıfıra eşittir.
tv te172
171 Tsay, A.g.e., s.93-95. 172 Enders, A.g.e., s.118.
140
( ) ( ) ( ) ( ) 0hEvEhvEeE ttttt ===
2) hata terimlerinin koşulsuz varyansı: te
( ) ( )11
02t 1
eVβ−α−
α=σ=
3) GARCH(1) modelinden anlaşılacağı üzere büyük hata terimi karesi ( )21te −
veya büyük koşullu varyans ( )1th − büyük bir varyans değerinin oluşmasına neden
olur. Bunun anlamı büyük bir ’yi büyük bir izeleyecek demektir. Bu da
finansal zaman serilerinde çok iyi bilinen varyans kümelenmesine sebep olacaktır.
21te −
2te
4) Modelin parametrelerin ( ) 01 211
21 >β+α−α− kısıtını sağlamak üzere
basıklık ölçüsü,
( )( )( )
( )( )( )
321
13eVeE
21
211
211
2t
4t >
α−β+α−β+α−
=
Basıklık ölçüsü normal dağılım basıklık ölçüsünden büyük olduğundan GARCH(1,1)
modeli de tıpkı ARCH modeli gibi sivri ve kalın kuyruk değerlerine sahip olacaktır.
5) GARCH modeli değişkenliğin açıklanması için basit bir modeldir. Yüksek
dereceden ARCH modellerinin yerine daha düşük dereceden GARCH modeli
kullanılabilir.
GARCH modelinin zayıf yönleri ARCH modelinin zayıf yönleriyle benzerlik
göstermektedir. Negatif veya pozitif şokların etkisi modelde eşit öneme sahiptir.173
3.5.5. ARCH Ve GARCH Modellerinin Maksimum Benzerlik Tahmini Maksimum benzerlik yöntemi tesadüfen seçilen bir örnekten anakütlenin
parametrelerinin tahminlerini elde etme yöntemidir. X’in anakütlesinden tesadüfi
olarak n birimlik bir örnek seçildiğinde örnekteki her bir birimin tesadüfi çekimde
meydana gelmesi olasılığı vardır. Eğer ortalama ve varyans parametreleri bilinirse X
değişkenin olasılık fonksiyonundan her bir birimin gerçekleşme olasılığı
hesaplanabilir. Anakütlenin normal dağıldığı fakat parametrelerinin bilinmediği bir
durumda örnek ortalaması ve varyansı anakütle parametrelerinin tahmini olarak 173 Tsay, A.g.e., s.95.
141
kullanılmaktadır. Maksimum benzerlik yöntemini uygulamak amacıyla birbirinden
bağımsız n birimden olaşan bir örnek seçilir. Bu örnek parametrleri μ ve olan
pek çok anakütleden seçilmiş olabilir. Maksimum benzerlik yönteminde, μ ortalama
ve varyans ile normal dağılım gösteren her anakütleden n birimlik örnek
seçmenin bileşik olasılığı tahmin edilerek, parametrelerin bileşik olasılığını
maksimum yapan anakütle belirlenir. Maksimum benzerlik yöntemi, parametrelerin
tüm mümkün tahminleri arasında gözlemlenen örneği elde etme olasılığını mümkün
olduğunca büyük yapan değerleri seçer. X’ler gözlem değerleri, ’lar tahmin
edilmek istenen anakütle parametreleri olmak üzere genel bir benzerlik fonksiyonu,
2σ
2σ
θ
( )n21n21 ,......,,;X.....,X,XL θθθ
X’ler normal bir dağılıma sahip olduğunda benzerlik fonksiyonu,
( )2n21 ,;X.....,X,XL σμ
şeklinde yazılablir. Maksimum benzerlik yöntemi, benzerlik fonksiyonun
maksimizasyonundan ibarettir. Fonksiyonun parametrelere göre kısmi türevi alınıp
sıfıra eşitlenerek fonksiyonun maksimum değeri elde edilmiş olur. Parametrelerin
tahmin edilen değerleri anakütle parametrelerinin en yüksek benzerlik
tahminleridir.174
te sıfır ortalama ve sabit varyanslı normal bir dağılım gösteren tesadüfi
bir değişken olduğunda, standart dağılım teorisi gereği gerçekleşen herhangi bir
’nin maksimum benzerlik fonksiyonu,
2σ
te
⎟⎟⎠
⎞⎜⎜⎝
⎛σ−
⎟⎟⎠
⎞⎜⎜⎝
⎛
πσ= 2
2t
2t 2e
exp2
1L
olarak ifade edilmektedir. Gerçekleşen değerleri birbirinden bağımsız
olduğundan, , ,..... ’in bileşik benzerlik fonksiyonu her bir nin tek tek
benzerlikleri çarpımına eşittir.
te
1e 2e ne te
∏=
⎟⎟⎠
⎞⎜⎜⎝
⎛σ−
⎟⎟⎠
⎞⎜⎜⎝
⎛
πσ=
n
1t2
2t
2 2e
exp2
1L
174 Fehamet Akın, Ekonometri, Ekin Kitabevi, Bursa, 2002, p. 112-113.
142
Kolaylık sağlamak amacıyla üstteki eşitliğin her iki tarafının doğal logaritması
alınarak eşitlik,
( ) ( )∑=σ
−σ−π−=n
1t
2t2
2 e2
1ln2n2ln
2nLln
formuna dönüştürülebilir. Bu fonksiyonun tahmini, gözlemlenen örneği seçme
olasılığını maksimum kılacak dağılımlı parametrelerin esasına dayanır. Diğer bir
deyişle, anakütle ortalaması 0 ve varyansı ile ilişkişli olan lnL değeri maksimum
yapılmaya çalışılır. Bilindiği gibi regresyon analizinde serisi,
2σ
te
ttt bxye −=
olarak elde edilir. Klasik regresyon analizinde ’nin ortalaması 0, varyansı
olarak sabit ve gerçekleşen değerleri birbirlerinden bağımsız olduğu
varsayılmaktadır. Örnek büyüklüğü n olmak üzere ’lerin açılımı lnL
fonksiyonunda gösterildiğinde aşağıdaki benzerlik fonksiyonu,
te 2σ
te
te
( ) ( )∑=
−σ
−σ−π−=n
1t
2tt2
2 bxy2
1ln2n2ln
2nLln
elde edilecektir. Benzerlik fonksiyonunu maksimum yapmak için ve b’ye göre
kısmi türevler alınır ve sıfıra eşitlenir.
2σ
( ) 0bxy2
12
nLln n
1t
2tt422 =−
σ+
σ−=
σ∂∂ ∑
=
( ) 0bxxy1bLln n
1t
2ttt2 =−
σ=
∂∂ ∑
=
Bu denklemler çözüldüğünde lnL’nin maksimum değeri, ve b için en küçük
kareler tahminlerine benzer sonuçlar verir.
2σ175
ne2
t2 ∑=σ
∑∑= 2
t
tt
xyx
b
175 Enders, A.g.e., s.141-142.
143
Yukarıdaki regresyondan elde edilen ARCH(1) sürecine sahip olduğunda ’nin
koşullu varyansı,
te te
21t10t eh −α+α=
olmak üzere
ttt hve =
bulunur. ’nin koşullu varyansı sabit olmamakla birlikte, benzerlik fonksiyonunda
gerekli değişiklikler kolaylıkla yapılabilir. Gerçekleşen her bir ’nin koşullu
varyansı olduğundan, ’den ’ye kadar gerçekleşen değerlerinin bileşik
benzerlik fonksiyonu,
te
te
th 1e ne
∏=
⎟⎟⎠
⎞⎜⎜⎝
⎛ −⎟⎟⎠
⎞⎜⎜⎝
⎛
π=
n
1t t
2t
t h2e
exph2
1L
ve log olabilirlik fonksiyonu,
( ) ∑∑==
⎟⎟⎠
⎞⎜⎜⎝
⎛−−π−=
n
1t t
2t
n
1tt h
e21hln
212ln
2nLln
şeklinde yazılablir. ve ’nin karşılıkları üstteki eşitlikte yerlerine yerleştirilirse, te th
( ) ( ) ( )( )∑∑
= −=− ⎟
⎟⎠
⎞⎜⎜⎝
⎛
α+α−
−α+α−π−
−=n
2t2
1t10
2tt
n
2t
21t10 e
bxy21eln
212ln
21nLln
Log benzerlik fonksiyonu şekline dönüşür. Benzerlik fonksiyonunu maksimum
yapmak için , ve b’ye kısmi türevleri alınıp sıfara eşitlenir ve çözüm
değerlerine ulaşılır. Çözüm güçlüğü nedeniyle bilgisayarlar yardımıyla log benzerlik
fonksiyonunu maksimum yapan parametre değerlerine ulaşılabilmektedir.
0α 1α
176
Buraya kadar anlatılanlar normallik varsayımı altında ARCH ve GARCH
modellerinin maksimum olabilirlik yöntemiyle tahmin edilmesidir. Bazı durumlarda
standart t-dağılımı gibi kalın kuyruklu dağılımlar daha uygun olmaktadır.177
te , ARCH(1) sürecine sahip olduğunda ’nin koşullu varyansı, te
21t10t eh −α+α=
olmak üzere 176 A.e., s.141. 177 Tsay, A.g.e., s.88-89.
144
ttt hve =
olduğu daha önce belirtilmişti. ’den ’ye kadar gerçekleşen değerlerinin 1e ne 2>ν
serbestlik dereceli standart t-dağılımı varsayımı altında bileşik benzerlik fonksiyonu,
( )( )( ) ( ) ( )
( )
∏=
+ν−
⎟⎟⎠
⎞⎜⎜⎝
⎛−ν
+π−ννΓ
+νΓ=
n
1t
2/1
t
2t
t h2e
1h1
22/2/1L
şeklinde yazılmaktadır. Burada, 2>ν standart t-dağılımının serbestlik derecesi ve
önceden belirlenmiştir. ise Gamma fonksiyonudur. Her iki tarafın logaritması
alınarak log benzerlik fonksiyonuna ulaşılır.
Γ
( )∑=
⎟⎟⎠
⎞⎜⎜⎝
⎛+⎟⎟
⎠
⎞⎜⎜⎝
⎛−ν
++ν
−=n
1tt
t
2t hln
21
h2e
1ln2
1Lln
Benzerlik fonksiyonun parametrelere göre kısmi türevleri alınıp sıfıra eşitlenerek
benzerlik fonksiyonunu maksimum yapan parametre değerleri tahmin edilir. Eğer
dağılımın serbetlik derecesi önceden belirlenmeyip modelin parametreleri gibi
tahmin edilecekse yukarıdaki benzerlik fonksiyonlarında bazı ilave değişiklikler
yapılmalıdır.178
Maksimum benzerlik yönteminin bazı avantajları vardır. Bu avantajlar179;
- Ortalama ve varyans denklemindeki parametrelerin ortak olarak tahminini
sağlar,
- ve kısıtlamalarını yerine getirir 0b ≥ 0h t ≥
- Modelin kısıtlamalarına ilişkin benzerlik oranı (LR) testlerinin
uygulanmasına izin verir
- Varyans parametreleri için maksimum benzerlik tahmincisinin tutarlılığı
verilerin dörüdüncü veya daha yüksek momentlerinin varlığını
gerektirmez. Oysa bu avantajların hiç biri sıradan en küçük kareler
tahminlerinde söz konusu değildir.
178 Tsay, A.g.e., s.88-89 179 Işığıçok, A.g.e., s.1-14.
145
3.5.6. IGARCH Modeli Bir zaman serisinin durağan olabilmesi için karakteristik köklerinin birim
çember dışında olması gerektiği daha önce belirtilmişti. Yüksek frekanslı finansal
zaman serileri ile yapılan çalışmalarda koşullu varyansın sürekli bir birim köke sahip
olduğu bulunmuştur.180 Örneğin hisse senedi getiri serisi için GARCH(1,1)
modelinin uygun olduğu tahmin edildiğinde modelin parametreleri toplamının
veya bire çok yakın olduğu görülür. Bu durumda koşullu varyans birim
köke sahip bir sürece benzer bir davranış sergiler.
111 =β+α181
Birim köke sahip GARCH modeline bütünleşik GARCH veya IGARCH
(Integrated GARCH) modeli denir.182 Birinci dereceden bir GARCH(1,1) modeli,
1t12
1t10t heh −− β+α+α=
ve olduğunda, birinci dereceden bir IGARCH modeline dönüşür ve 111 =β+α
( ) 1t12
1t10t he1h −− β+β−+α=
şeklinde gösterilebilir. IGARCH modeli birim köke sahiptir ve bir şokun koşullu
varyans üzerindeki etkisi süreklidir. Bundan dolayı varyansın tüm gelecek değer
tahminlerinde şokun etkisi önemli olmaktadır.183
3.5.7. ARCH-M Modeli Dışsal değişkenler ve gecikmeli içsel değişkenlerin yer aldığı ortalama
modeline koşullu varyansın veya koşullu standart sapmanın ilave edilmesiyle
ARCH-M modelleri elde edilir. Bu tür modellerde yer alan koşullu varyansa ait
parametre, risk dönüşümündeki küçük değişikliği gösterir. Bu modeller zaman içinde
180 Tim Bollerslev ve Robert F. Engle, “Common Persistence in Conditional Variances”, Econometrica, Cilt:61, No:1, Ocak 1993, s.167-186. 181 Enders, A.g.e., s.140. 182 Tsay, A.g.e., s.100. 183 Tim Bollerslev, Robert F. Engle, ve Daniel B. Nelson, “ARCH Models”, Handbook of Econometrics, Cilt:.IV., Elsevier Science, 1994., p.2968.
146
risk değerinin değişip değişmediğini belirlemek amacıyla kullanılır. Koşullu standart
sapmanın ortalama modele dahil edilmesiyle elde edilen ARCH(p)-M modeli,
( )ttt1tt h,hbXN~/y λ+Ψ −
olmak üzere,
tttt ehbXy +δ+=
∑=
−α+α=p
1i
2iti0t eh
tttt hbXye λ−−=
şeklinde gösterilebilir.
ARCH-M modelleri oynaklığın koşullu ortalama üzerindeki etkisini en iyi
açıklayan modellerdendir. Bu modellerde koşullu varyans açıklayıcı bir değişken
olarak modelde yer almaktadır.184
3.5.8. GARCH-M Modeli GARCH-M modeli Engle, Lilien ve Robins tarafından 1987 yılında yaptıkları
bir çalışma ile yazına kazandırılmıştır. Model aynı ARCH-M modeli ortalama
modele koşullu varyansın açıklayıcı değişken olarak ilave edilmesiyle elde
edilmektedir. Ortalama modele koşullu varyansın yerine koşullu standart sapma da
ilave edilebilir. Genel bir GARCH(p,q)-M modeli,
( )ttt1tt h,hbXN~/y λ+Ψ −
olmak üzere
tttt ehbXy +δ+=
∑ ∑= =
−− β+α+α=p
1i
q
1jjtj
2iti0t heh
tttt hbXye λ−−=
şeklinde yazılabilir. serisi finansal bir varlığın getirisi olduğunda, ortalama
modelinde yer alan koşullu standart sapmanın katsayısı
ty
λ risk primi parametresi
184 Christian Gouriéroux, ARCH Models and Financial Applications, Springer-Verlag New York, Inc., 1997., s.36.
147
adını almaktadır. ’nın pozitif olması getirinin kendi geçmiş değişkenliği ile pozitif
ilişkili olduğunu ifade eder.
λ185
3.5.9. Asimetrik GARCH Modeller ARCH ve GARCH modellerinin önemli bir dezavantajı pozitif ve negatif
şokların değişkenlik üzerindeki etkilerine aynı büyüklükte simetrik cevap
vermesidir. Örneğin bir ARCH veya GARCH modeli incelendiğinde koşullu varyans
gecikmeli hata terimlerinin büyüklüklerine bağlı olmakla birlikte, hata terimlerinin
işaretleri dikkate alınmamaktadır. Hata terimlerinin kareleri alındığından taşıdıkları
işaretler önemini yitirmektedir. Gerçekte finansal zaman serileri pozitif şoklara göre
negatif şoklardan daha çok etkilenirler. Bu etkilenmenin sonucu olarak da negatif
şoklar pozitif şoklara göre seride daha fazla bir oynaklık yaratırlar. Bu
açıklamalardan da anlaşılacağı üzere şokların oynaklık üzerine etkileri aynı değil,
asimetriktir.186
3.5.9.1. GJR GARCH / TARCH Modeli ARCH modelinde cari dönemdeki koşullu varyans geçmiş dönem hatalarının
büyüklüklerinden etkilenmektedir. Bu durum finansal seriler için uygun değildir.
Çünkü finansal serilerde değişkenlik bir azalışta, bir artıştan daha fazla yükselme
eğilimindedir. Birçok yazarın finansal zaman serilerinin bir özelliği olarak
vurguladıkları bu durum asimetriklik olarak bilinir.187 Örneğin borsanın düşme
dönemindeki oynaklık yükselme dönemlerindeki oynaklıktan daha fazla olmaya
meyillidir.
Glosten, Jagannathan ve Runkle tarafından oluşturulan ve isimlerinin baş
harflerinden adını alan GJR GARCH modeli seriler üzerindeki asimetrik etkiyi
dikkate alan modellerden biridir. Model eşiksel ARCH (Threshold ARCH-TARCH)
modeli olarak da bilinmektedir. GARCH modeline asimetriyi temsil eden bir terimin
185 Franses, A.g.e., s.171. 186 Brooks, A.g.e., s. 469 187 Rabemananjara, R., Zokain, J.M., Threshold ARCH Models and Asymmetries in Volatility, Journal of Applied Econometrics, Cilt.8, No.1, Ocak-Mart 1993, s.31-49.
148
ilave edilmesiyle GJR GARCH modeli elde edilmektedir. Genel bir GRJ GARCH
veya TARCH koşullu varyans modeli,
∑∑∑=
−−=
−=
− γ+β+α+α=r
1kkt
2ktk
q
1jjtj
p
1i
2iti0t Deheh
yazılabilir. GRJ GARCH(1,1) koşullu varyans modeli,
1t2
1t11t12
1t10t Deheh −−−− γ+β+α+α=
modelin pozitiflik koşulu,
, , ve 00 ≥α 01 ≥α 0≥β 01 ≥γ+α
şeklindedir.188 gölge değişken olup, 1tD −
, e 1D 1t =− 01t <−
0 , diğer D 1t =−
şeklinde tanımlanmaktadır. ’lerin sıfırdan küçük te ( )0et < olması olumsuz şokları
(kötü haber) ifade ederken, ’lerin sıfırdan büyük olması te ( )0et > olumlu şokları
(iyi haber) ifade etmektedir. Gölge değişken yi katsayısının pozitiflik koşulu
altında düşünüldüğünde negatif şoklarda 1 değerini alacağından koşullu varyans
artacak, pozitif şoklarda ise sıfır değerini alacağından koşullu varyansda bir oynaklık
söz konusu olmayacaktır. Böylece hata terimlerine ait işaretlerin koşullu varyans
üzerindeki etkileri ortaya çıkarılmış olmaktadır.
1tD −
0e 1t <− ise değerini
alırken ’in koşullu varyans üzerinde yaratmış olduğu etki miktarı ,
ise gölge değişken sıfır değeri alacak ve in koşullu varyans üzerinde
yaratmış olduğu etki de kadar olacaktır.
1D 1t =−
1te − ( ) 21t1 e −γ+α
0e 1t ≥− 1te −
21t1e −α
Modelde 1γ kaldıraç parametresidir. Kaldıraç parametresi 01 >γ büyük ve
anlamlı ise kaldıraç etkisi söz konusu olmaktadır. Bu parametrenin sıfırdan farklı
olması asimetrikliği ifade etmektedir. 01 >γ ise, negatif şoklar değişkenliği pozitif
şoklardan daha fazla arttırmaktadır.
3.5.9.2. Üstel GARCH (EGARCH) Modeli
188 Brooks, A.g.e., s. 469-470.
149
GARCH modeli değişkenlik kümelenmesi, kalın kuyruk gibi finansal zaman
serilerinin özellikleri, bu seriler üzerinde etkin olan işlemsiz dönem gibi finansal
zaman serilerinin üzerine etkin olan faktörlerin modellenmesinde başarı ile
kullanılmaktadır. Ancak GARCH modeli gecikmeli hata terimlerinin büyüklüklerini
dikkate aldığından, seri üzerindeki kaldıraç etkisi modellenememektedir. 1991
yılında Nelson tarafından yazına kazandırılan EGARCH modeli gecikmeli hata
terimlerinin hem büyüklüğünü hem de işaretlerini barındırmaktadır.189 EGARCH
modelinde aynı GJR GARCH modeli gibi değişkenlik üzerindeki şokların etkisini
asimetrik olarak gösteren bir modeldir.
EGARCH modelinde yakın geçmişteki hataların etkisi kuadratik değil
üsteldir. EGARCH modelleri özellikle önemli belirsizlik ve istikrarsızlıklardan sonra
kaynaklanan büyük şokların yaşandığı seriler için daha uygundur.190 EGARCH
modelin iki önemli özelliği ile GARCH modelinden ayrılmaktadır. İlki EGARCH
modelinde pozitif ve negatif şokların değişkenlik üzerine farklı etkileri
modellenebilmektedir. İkinci özellik, EGARCH modellerinde büyük şokların
değişkenlik üzerindeki etkisi GARCH modellerine göre daha büyük olmaktadır.191
Birinci dereceden bir EGARCH modeli,
1t
1t
1t
1t1t10t h
eh
ehlnhln
−
−
−
−− γ+θ+β+α=
şeklindedir. Modelin üç önemli özelliği vardır.192
1) Koşullu varyans denklemi logaritmik doğrusal bir formdadır. nin
büyüklüğü ne olursa olsun logaritmik dönüşümden dolayı koşullu varyans asla
negatif değer almaz. Dolayısıyla modelin katsayıları için pozitiflik koşulu yoktur.
thln
th
189 Bollerslev, Engle ve Nelson, A.g.e., p.2969. 190 Işığıçok, A.g.e., s.1-14 191 Kevin Daly, “Financial Volatility:Issues and Measuring Techniques”, Physica A: Statistical Mechanics and its Applications, Cilt:387, Sayı:11, 15 Nisan 2008, s.2377-2393 192 Enders, A.g.e., s.142.
150
2) Bu model hata terimlerinin karelerini ( )21te − kullanmayıp, yerine hata
terimlerinin koşullu standart sapmaya bölünerek ⎟⎟⎠
⎞⎜⎜⎝
⎛
−
−
1t
1t
he
elde edilmiş standardize
değerlerini kullanmaktadır.
3) EGARCH modeli kaldıraç etkisine izin verir. Eğer ⎟⎟⎠
⎞⎜⎜⎝
⎛
−
−
1t
1t
he
pozitif ise,
şokun logaritmik koşullu varyans üzerinde etkisi γ+θ dır. Eğer ⎟⎟⎠
⎞⎜⎜⎝
⎛
−
−
1t
1t
he
negatif
ise, şokun logaritmik koşullu varyans üzerindeki etkisi γ+θ− olacaktır.
3.5.10. ABSGARCH Modeli Mutlak değer içeren GARCH modeli (ABSGARCH) ilk kez 1991 yılında
Heutschel tarafından önerilmiştir. Model GARCH modeli benzemektedir. GARCH
modelinden farkı ABSGARCH modelinde hata terimlerin kareleri yerine mutlak
değerleri kullanılarak koşullu standart sapma modellenmektedir.193 Böylece model
üzerinde hata terimlerinin işareti veya kareli değerleri değil, büyüklükleri etkin
olmaktadır. Genel bir ABSGARCH(p,q) modeli,
∑∑=
−=
− β+α+α=q
1jjtj
p
1iiti0t heh
şeklinde yazılmakta olup parametreleri üzerinde 00 >α , 0i ≥α ve kısıtları
bulunmaktadır. Hata terimlerinin mutlak değerinin kullanılması ABSGARCH
modelinin GARCH modeline bir üstünlüğüdür. Çünkü büyük değerli hata
terimlerinin kareleri de büyüktür. Hata terimlerinin mutlak değerleri kullanılarak
büyük hata terimlerinin model üzerindeki etkisi azaltılmaktadır.
0j ≥β
3.5.11. TGARCH Modeli ARCH/GARCH gibi koşullu varyans modellerinde hata terimlerinin işareti
önemsenmemekte ve etkileri simetrik olarak modele dahil edilmektedir. Halbuki 193 Sharmishtha Mitra ve Amit Mitra, “Modeling Exchange Rates Using Wavelet Decomposed Genetic Neural Networks”, Statistical Methodology, Cilt:3, Sayı:2, Nisan 2006, p.103-124.
151
negatif şoklar (kötü haber) pozitif şoklara (iyi haber) göre değişkenlik üzerinde daha
etkindirler. Dolayısıyla şokların değişkenlik üzerine etkileri işaretine bağlı olarak
asimetriktir. 1991 de Zakoin tarafından önerilen eşik değerli GARCH (Threshold
GARCH-TGARCH) modeli bu asimetrik etkiyi ölçmektedir. Modelde hata
terimlerinin kareleri yerine işaretine bağlı olarak alacağı değerleri kullanılmıştır.
Oluşturulan model hata terimlerinin koşullu standart sapma modelidir. Bir
TGARCH(p,q) modeli194,
qtq1t1ptpptp1t11t10t h......hee......eeh −−−−
−+−
+−−
−+−
+ β++β+α−α++α−α+α=
veya
∑∑∑=
−=
−−
−
=
+−
+ β+α−α+α=q
1jjtj
p
1iiti
p
1iiti0t heeh
formunda yazılmaktadır. Modelin katsayıları üzerinde 00 >α , ve 0i ≥α 0j ≥β
kısıtlamaları olduğundan bu modelde de pozitiflik kısıtı bulunmaktadır. Hata
terimleri aşağıdaki tanımlamaya göre modele dahil olmaktadır.
1t1t ee −+− = 0
0
0
0
e 1t ≥−
0e 1t =+− e 1t <−
1t1t ee −−− = e 1t <−
0e 1t =−− e 1t ≥−
Modelde ve katsayıları kısıtlar çerçevesinde anlamlı olduğunda,
koşullu varyans hem pozitif hem de negatif hata terimlerinden etkilenmektedir.
+αi−α i
3.5.12. Diğer ARCH/GARCH Modelleri
3.5.12.1.Doğrusal Olmayan Asimetrik GARCH(NAGARCH) Modeli
194 R. Rabemananjara ve J.M. Zakoin, “Threshold ARCH Models and Asymmetries in Volatility”, Journal of Applied Econometrics, Cilt:8, Sayı:1, Ocak-Mart 1993, s.31-49.
152
Pozitif (iyi haber) veya negatif (kötü haber) şokların değişkenlik üzerideki
etkilerinin farklı olması nedeniyle, bu farklılığı modellemek için Engle ve Ng 1993
yılında doğrusal olmayan asimetrik GARCH Modelini ileri sürmüşlerdir. Model
koşullu varyansı şokların doğrusal olmayan bir fonksiyonu olarak ifade etmektedir.
Bir NAGARCH Modeli195,
( ) 1t1
2
1t1t10t hheh −−− β+γ+α+α=
formunda yazılmaktadır. olduğunda, olumlu bir şok olumsuz bir şoktan daha
fazla değişkenliği sebep olmaktadır.
0>γ
3.5.12.2. Vektör GARCH (VGARCH) Modeli 1993 yılında Engle ve Ng tarafından değişkenlik üzerindeki asimetrik etkiyi
modellemek üzere önerilmiştir. Bir VGARCH modeli196,
1t1
2
1t
1t10t h
he
h −−
− β+⎟⎟⎠
⎞⎜⎜⎝
⎛γ+α+α=
Parametrelerin kısıtları; , 00 >α 10 1 <α≤ , 10 1 <β≤ , 111 <β+α , 0>γ
0>γ ise, pozitif değişimler eşit büyüklükteki negatif değişimlerden daha fazla bir
değişkenliğe sebep olmaktadır.
3.5.12.3. Asimetrik GARCH (AGARCH) Modeli 1990 yılında Engle tarafından önerilmiştir. Bir AGARCH modeli197,
( ) 1t12
1t10t heh −− β+γ+α+α=
Parametrelerin kısıtları; , 00 >α 10 1 <α≤ , 10 1 <β≤ , 111 <β+α , 0>γ
0>γ ise, pozitif şoklar negatif şoklardan daha fazla bir değişkenliğe sebep
olmaktadır.
3.5.12.4. Doğrusal Olmayan Logaritmik veya Çarpımsal ARCH
(Multiplicative ARCH) Modeli
195 Robert F. Engle ve Victor K. Ng, “Measuring and Testing the Impact News on Volatility”, The Journal Finance, Cilt:48, No:5, Aralık 1993, s.1749-1778 196 A.e. 197 A.e.
153
ARCH modelinin parametreleri negatif olarak tahmin edildiğinde, hataların
kareleri pozitif olacağından koşullu varyans negatif olarak tahmin edilmektedir.
Varyans negatif olamayacağından tahmin edilen model kullanılamamaktadır. Bu
sorunu çözmek için Mihoj, Geweke ve Pantula 1986-1987 yıllarında yaptıkları
çalışmalarda ARCH modelinin logaritmasını alarak katsayıların negatif olarak
tahmin edilmesini önlemişlerdir. Doğrusal olmayan logaritmik ARCH modeli
Çarpımsal ARCH modeli olarakta bilinmektedir.198
( ) ( )∑=
−α+α=p
1i
2iti0t eloghlog
3.5.12.5. Doğrusal Olmayan ARCH Model Model 1986 yılında Engle ve Bollerslev tarafından değişkenlik üzerinde asimetrik
etkiyi modellemek için önerilmiştir. Modelde hata terimlerinin mutlak değerleri
kullanılmıştır.
1t11t10t heh −γ
− β+α+α=
3.5.12.6. Fraksiyonel Bütünleşik ARMA/ARCH Model (Fractionally
Integrated ARMA / ARCH Model ARFIMA / FIARCH) Daha öncede belirtildiği gibi ARMA modellerinde bir zaman serisi için
uygun model araştırılırken seri durağan değilse ilk farkları alınarak
durağanlaştırılmaktaydı. Ancak bazı durumlarda özellikle finansal zaman serilerinde
serileri durağanlaştırmak için fraksiyonal fark almak gerekmektedir. Fraksiyonal fark
alma fikri 1980 de Granger, Joyeux ve 1981 Hosking tarafından ortaya atılmıştır.
zaman serisinin fark alma işlemi,
ty
( ) ttd eyL1 =− ( )1,0~et
biçiminde gösterilebilir. olduğunda serisi beyaz gürültü sürecine sahiptir ve
tüm otokorelasyon katsayıları sıfıra eşittir.
0d = ty
1d = olduğunda serisi birim köke
sahiptir. olduğunda serisinin otokorelasyonları çok yavaş olarak sıfıra
doğru azalır. Bu azalış hiperbolik bir yapı gösterir. Bu tip serilere fraksiyonel
ty
1d0 << ty
198 A.e.
154
bütünleşik seriler denir. Fraksiyonel bütünleşik seriler otokorelasyonlarının oldukça
yavaş azalmasıyla diğer serilerden ayrılır. Bu nedenle fraksiyonel bütünleşik seriler
genellikle uzun hafızaya sahiptirler ve otokorelasyon katsayıları,
1d2k k −Γ=ρ
şeklinde hesaplanabilir. Γ iki gama fonksiyonunun oranı olup azalışın hızı d
değerine bağımlıdır. ise serisi zayıf durağan, ise durağan
değildir. ARIMA(p,d,q) gösteriminden yararlanarak bir ARFIMA(p,d,q) modeli,
5,0<d ty 5,0d ≥
( )( ) ( ) ttd eLyL1L θ=−φ
olarak yazılabilir. ve ( )Lφ ( )Lθ sırasıyla p ve q dereceden polinomlardır.199
ARCH/GARCH modelleri kısa dönem değişkenliğin modellenmesi ve tahmin
edilmesinde etkin olurken fraksiyonel bütünleşik modeller uzun dönem değişkenliğin
modellenmesinde üstündürler.
İlk başlarda bir zaman serisinin koşullu ortalama modeli için uygulanan
fraksiyonel bütünleşme 1996 yılında Bailey, Bollerslev ve Mikkelsen tarafından
GARCH koşullu varyans modeline uygulanarak FIGARCH modeli elde edilmiştir.200
Ding, Granger ve Engel 1993 yılında şokların etkisinin azalmasının uzun bir
süre almasının bir sonucu olarak değişkenliğinde oldukça yavaş bir değişme
eğiliminde olacağı düşüncesinden hareketle FIARCH modelini oluşturmuşlardır. Bir
FIARCH modeli,
( )[ ] ( ) 21t0
2t
d0t eLeL11h −α+α=−−+α=
Şeklinde yazılabilir. polinomu geometrik bir azalma yerine hiperbolik bir
azalış göstereceğinden şokların da etkisi hiperbolik olarak azalır.
( )Lα201
Fraksiyonel bütünleşme daha çok yüksek frekanslı (örneğin günlük) finansal
zaman serilerininin analizinde kullanım alanı bulmuştur.202
3.5.12.7. Üslü ARCH Modelleri (POWER ARCH-PARCH)
199 Richard Harris ve Robert Sollis, Applied Time Series Modelling and Forecasting, John Wiley&Sons Ltd, 2003, s.238. 200 A.e., s.239. 201 Aydemir, A.g.e., s.12. 202 Harris ve Sollis, A.g.e., s.239.
155
Ding, Granger ve Engle tarafından önerilen ARCH sınıfı modellerin bir
devamı şeklinde olan genel asimetrik üslü ARCH (PARCH) modeli, klasik
modellerdeki zaman serisi verilerinin mutlak değeri veya karesini almak yerine,
verilerin dönüşümünün kaçıncı kuvvetiyle olduğunu analiz etmektedir. Genel bir
PARCH modeli,
( )∑ ∑= =
−−− β+γ+α+α=p
1i
q
1j
djtj
ditiiti0
dt heeh
şeklinde yazılabilir. Modelde, iα ve jβ GARCH modelinin parametreleri, iγ
kaldıraç parametresi ve d kuvvet parametresidir.203
203 Erdinç Teletar ve H.Soner Binay, “İMKB Endeksinin PARCH Modellemesi”, Akdeniz İ.İ.B.F. Dergisi (3), 2002, p.114-121.
156
4. ZAMAN SERİLERİYLE PETROL SANAYİİNDE TAHMİN Latince petra ve oleum kelimelerinden oluşan ve kaya yağı anlamına gelen
petrol, doğada bulunan kompleks bir hidrokarbon bileşiğidir. Hidrokarbon bileşikleri,
doğada katı, sıvı ve gaz halinde bulunmaktadır. Sıvı hidrokarbon bileşikleri, ham
petrolü oluşturmaktadır. Petrol, uzun jeolojik süreçlerde karmaşık fiziki ve kimyasal
reaksiyonlar sonucunda oluşmaktadır.1
Üretilen ham petrolün sınıflandırılmasında dikkate alınması gereken en
önemli faktörler; ham petrolün gravitesi, vizkozitesi ve içerdiği kükürt miktarı gibi
özelliklerdir. Kolay üretilebilir olması, taşınabilmesi ve işlenebilmesi nedeniyle
dünya ham petrol talebinin, %90’ı hafif (gravitesi yüksek) ve orta ham petrol ile
karşılanmaktadır. Dünyadaki petrol kaynaklarının, ancak %25’ini hafif ve orta petrol
oluşturmaktadır. Türkiye’deki petrol sahalarının önemli bir kısmı ağır petrol
içermekte olup, üretilen ham petroldeki kükürt oranı, %0 ile %5,7 arasında
değişmektedir.2
4.1. Petrol Sanayiinin Ülke Ekonomilerindeki Yeri 19. yüzyıl boyunca daha çok aydınlatmada kullanılan petrol, zenginlik ve
servet birikim kaynağı olmuştur. 20. yüzyılda ise stratejik bir ürün olarak,
uluslararası siyesette belirleyici konuma gelmiştir. 1905 yılında benzinin içten
yanmalı motorlarda kullanılması ve sonraki yıllarda mazotun; tren, gemi ve
fabrikalarda kullanılmasıyla ham petrol, önemli bir enerji kaynağı olarak
kalkınmanın da motoru haline gelmiştir. Petrol endüstrisinin gelişmesiyle; otomotiv,
kara ve deniz ulaşımı, petrokimya, gübre ve genel olarak sanayi üretiminde büyük bir
gelişme ve artış meydana gelmiştir.3
Temel enerji kaynaklarından biri olan petrol, dünya ekonomisinde ara malı,
hammadde, güç ve enerji kaynağı olarak çok önemli bir yer tutmaktadır. Petrol
fiyatları, dünya ve ülke ekonomik performansı açısından önemli göstergelerden
birisidir. Doğal olarak, petrol fiyatlarındaki artış ne kadar fazla ve uzun süreli ise,
1 Türkiye’de Petrol Faaliyetleri ve TPAO, Petrol-İş Yayın No:106, Temmuz 2007, s.13. 2 A.e., s.16. 3 A.e., s.21.
157
makro ekonomi üzerindeki etki de o kadar büyük olmaktadır.4 Petrol fiyatlarındaki
artışın ülke ekonomileri üzerindeki etkisi, söz konusu ülkenin petrol ithalatçısı veya
petrol ihracatçısı olmasına göre farklılıklar göstermektedir.
Petrol fiyatlarındaki artışın petrol ithal eden bir ülke ekonomisi üzerindeki
etkileri aşağıdaki maddeler halinde özetlenebilir.5
- Petrol harcamalarının milli gelir içindeki payı yüksekse ve ayrıca, bu
ülkenin petrol tüketiminin azaltılarak diğer alternatif enerji kaynaklarına
yönelme olanakları kısıtlı ise, yüksek petrol fiyatlarının ekonomi
üzerindeki olumsuz etkisi artmaktadır
- Yüksek petrol fiyatları doğrudan girdi maliyetlerini attırmakta ve bu
durum, üretilen mal ve hizmetlerin fiyatlarının artmasına ve dolayısıyla
enflasyona neden olmaktadır.
- Yüksek petrol fiyatları petrol ithal eden ülkelerin milli gelirlerinin
azalmasına yol açmaktadır. Bu ülkeler petrol tüketimlerini petrol fiyatı
artışları oranında azaltmaları mümkün olmaması nedeniyle, milli gelir
içerisinde toplam petrol harcamalarına ayrılan pay giderek artmakta ve
dolayısıyla, diğer harcamalara ayrılan pay azalmaktadır.
Petrol fiyatlarındaki artışın petrol ihraç eden ülke ekonomileri üzerindeki
başlıca etkileri ise şunlardır.6
- Yüksek petrol fiyatları, petrol ihraç eden ülkelerde doğrudan ihracat
gelirlerini, dolayısıyla da milli gelirlerini arttırmaktadır.
- Yüksek petrol fiyatları petrol ithal eden ülkelerden petrol ihraç eden
ülkelere gelir transferine yol açmakta ve bu nedenle ülkeler arasındaki
gelir dengesizliği artmaktadır.
Petrolü ithal eden Türkiye’nin 1998-2007 dönemindeki ham petrol ithalatı
Tablo-1’de gösterilmektedir. Tablo-1’in ilk sütununda ithal edilen petrol miktarı (ton
olarak), ikinci sütununda ithalat tutarı (Bin Dolar), üçüncü sütununda ham petrol
ithalatının toplam ithalat içindeki payı (%), ve son sütununda ham petrol ithalatının
GSYİH içindeki payı (%) verilmiştir. 4 Naci Bayraç, Uluslararası Petrol Piyasasının Ekonomik Analizi, Finans-Politik&Ekonomik Yorumlar, Yıl:42, Sayı:499, Ekim 2005, s.7. 5 A.e., s.17 6 A.e., s.18
158
Tablo-1: Yıllara Göre Türkiyenin Ham Petrol İthalatı, İthalat ve GSYİH İçindeki
Payı-(1998-2007)
Yıllar Miktar (Ton)
Tutar (Bin Dolar)
Ham Petrol Ham Petrol İthalatının Toplam İthalat
İçindeki Payı (%)
Ham Petrol İthalatının GSYİH
Oranı (%) 1998 23 791 392 2 083 861 4,538 0,775 1999 22 836 976 2 754 939 6,774 1,107 2000 21 362 926 4 208 260 7,721 1,575 2001 23 141 640 3 877 953 9,367 1,978 2002 23 707 589 4 087 775 7,929 1,756 2003 24 028 667 4 776 536 6,889 1,568 2004 23 917 019 6 091 544 6,245 1,550 2005 23 389 647 8 649 477 7,407 1,787 2006 23 786 875 10 706 466 7,671 2,020 2007 23 445 764 11 784 210 6,929 1,797
Kaynak: TUİK
Tablo-1 incelendiğinde Türkiye’nin yıllık ham petrol ithalat miktarının söz
konusu dönemde 21-24 milyon ton arasında gerçekleştiği görülmektedir. Buna
karşılık, ülkemizin ithal ham petrole harcadığı tutar yıllar içerisinde giderek
artmaktadır. 1998 yılında Türkiye ham petrole yaklaşık 2,083 milyar dolar harcarken,
2007 yılında yapmış olduğu harcama 11,784 milyar dolar seviyesine çıkmıştır. 1998-
2007 döneminde ham petrol ithalat maliyetlerinde görülen bu artış, petrol
fiyatlarındaki yükselişten kaynaklanmaktadır. Türkiye’nin ham petrol ithalatı miktar
bakımından neredeyse sabit kalırken, aynı miktar ham petrol için ödenen tutar
yaklaşık olarak 5 kat artmıştır. Türkiye 1998 yılında ithal ettiği ham petrole ton
başına 87,59 dolar öderken, 2007 yılında 502,62 dolar ödemiştir. Diğer yandan ham
petrol ithalatının toplam ithalat içindeki payı 1998-2007 döneminde %4,5-9,4
aralığında dalgalı bir seyir izlemiştir. 1998-2007 döneminde ham petrol ithalatının
gayri safi yurtiçi hasılaya oranı %0,78-2,02 arasında değişmektedir.
4.2. Dünyada ve Türkiye’de Rafineri Sektörü
Doğadan ham bir şekilde elde edilen petrolün kullanışlı hale getirilmesi için
rafine edilmesi yani arıtılması gerekmektedir. Bu bağlamda petrol ürünleri sanayii
ham petrolün rafinerilerde stoklanıp arıtılması ve üretilen ürünlerin dağıtım şirketleri
159
aracılığıyla tüketicilere ulaştırılmasını sağlayan entegre bir yapıdadır. Temel girdisi
ham petroldür.7
Ham petrolden elde edilen sıvılaştırılmış petrol gazları (LPG), beyaz ürünler
(benzin, jet yakıtı, gaz yağı, motorin) ve siyah ürünler (çeşitli kalitelerde fuel oil)
enerji üretiminde kullanılmaktadır. Nafta, petrokimya ve gübre sanayiinin ana
hammaddesidir. Ayrıca elektrik üretim santrallerinde yakıt olarak kullanılmaktadır.
Madeni baz yağlar ise katkı maddeleriyle harmanlanarak satışa sunulmaktadır.
Çeşitli kalite asfaltlar ve solventler nihai ürünler olarak tüketiciye satılmaktadır.
Slack wakslar ve ekstraklar ise diğer sanayiler tarafından üretim girdisi olarak
kullanılmaktadır.8
Tablo-2’de 1998-2007 döneminde Türkiye’de ve dünyadaki rafineri
kapasiteleri verilmiştir. Türkiye’nin rafineri kapasitesi 1998 den 2003’e kadar 35,50
milyon ton ile hep aynı düzeyde kalırken, 2004’de 34,51 milyon tona, 2005 yılında
ise 30,52 milyon tona düşmüştür. Buna karşılık 1998-2007 döneminde dünya
genelinde rafineri kapasitesinde bir artış gözlenmektedir. Türkiye’nin dünya rafineri
kapasitesi içindeki payı 1998 yılında %0,90 ile en yüksek değerinde iken 2007
yılında bu pay %0,70’e gerilemiştir. 2007 yılı itibariyle dünya toplam rafineri
kapasitesi içinde ABD %20’lik pay ile ilk sırada yer alırken, bunu %8,5 ile Çin ve
%6,4 ile Rusya takip etmektedir.9
7 Ülkemizin En Büyük Sanayi Kuruluşu:TÜPRAŞ, Petrol-İş Yayın No:98, Mayıs 2005 s.11. 8 A.e., s.11. 9 BP Statistical Review of World Energy, Haziran 2008, s.18.
160
Tablo-2: Yıllara Göre Türkiye ve Dünyadaki Rafineri Kapasitesi (Milyon Ton)
Yıllar Türkiye Dünya Dünya İçindeki Pay
(%) 1998 35,50 3965,70 0,90 1999 35,50 4069,23 0,87 2000 35,50 4079,68 0,87 2001 35,50 4127,59 0,86 2002 35,50 4153,78 0,85 2003 35,50 4161,60 0,85 2004 34,51 4231,86 0,82 2005 30,52 4257,45 0,72 2006 30,52 4316,16 0,71 2007 30,52 4377,66 0,70
Kaynak: BP Statistical Review of World Energy, Haziran 2008.
TÜPRAŞ’ın 2007 yılı itibarıyle rafineri kapasitesi Türkiye içinde %92, dünya
genelindeki payı ise %0,64’tür.
4.3. TÜPRAŞ
1983 yılında Kamu İktisadi Teşebbüslerinin daha verimli çalışmalarını
sağlamak amacıyla yapılan düzenlemeler kapsamında, ülkemizdeki kamuya ait
rafinerilerin bir çatı altında toplanması kararlaştırılmıştır. Bu amaçla, 1961 yılından
beri faaliyet gösteren İPRAŞ’ın (İstanbul Petrol Rafinerisi A.Ş.) Ana Sözleşmesi, 25
Ekim 1983 tarihinde yapılan Olağanüstü Genel Kurul Toplantısı’nda TÜPRAŞ
(Türkiye Petrol Rafinerileri A.Ş.) Ana Sözleşmesi’ne dönüştürülmüş ve TÜPRAŞ’ın
tescil ve ilanı 16 Kasım 1983 tarihinde tamamlanmıştır.
İPRAŞ’ın İzmit Körfezi’nin Tütünçiftlik bölgesinde yaptırmış olduğu İzmit
rafinerisinin yanı sıra o tarihe kadar Türkiye Petrolleri A.O.’na bağlı olarak faaliyet
gösteren İzmir ve Batman rafinerileri ile yapımı devam eden Kırıkkale Rafinerisi de
yeni kurulan TÜPRAŞ’a devredilmiştir. Özelleştirme Yüksek Kurulu’nun 5 Ekim
2001 tarih, 2001/54 sayılı kararı ile Pektim Petrokimya Holding A.Ş.’nin kurduğu ilk
kompleks olan Yarımca Tesisleri TÜPRAŞ’a devredilmiş ve adı Körfez Petrokimya
ve Rafineri Müdürlüğü olmuştur.
TÜPRAŞ, 1990 yılında özelleştirme programına alınmıştır. Çeşitli
zamanlarda ulusal ve dünya borsalarında halka arz edilerek %49’luk hissesi
özelleştirilmiştir. Kalan %51’lik hisse 12 Eylül 2005 tarihinde gerçekleştirilen
161
ihaleyle en yüksek teklifi veren KOÇ-SHELL Ortak Girişim Grubuna devredilerek
TÜPRAŞ’ın özelleştirilmesi tamamlanmıştır.10 Özelleştirme sonrası TÜPRAŞ’ın
ortaklık yapısı; Tüpraş’ın %51’i Enerji Yatırımları A.Ş.ye ve %49’u halka açık
duruma gelmiştir. Enerji Yatırımları A.Ş.’nin sahip olduğu %51’lik payın %75’i Koç
Holding’e, %20’si Aygaz’a, %3’ü Opet’e, %1,9’u Shell O. Invest B.V.’ye ve %0,1’i
Shell Türkiye’ye aittir.
Türkiye’nin en büyük sanayi şirketi olan Tüpraş11, yıllık 28,1 Milyon ton
rafinaj kapasitesi ve 50 bin tonluk petrokimya kapasitesine sahiptir. Tüpraş bu rafinaj
kapasitesi ile Türkiye petrol ürünleri tüketiminin yaklaşık %70’ini karşılamaktadır.12
Tablo-3: TÜPRAŞ’ın Rafineri ve Depolama Kapasiteleri Rafineriler İşleme Kapasitesi
(Milyon Ton/yıl) Depolama Kapasitesi
(Milyon m3) İzmit 11 1,95 İzmir 11 2,00 Kırıkkale 5 1,25 Batman 1,1 0,22
Tüpraşın tedarik süreci, ham petrol, yarı mamul, son ürün ve malzeme ikmal
işlemlerinden oluşmaktadır. Ürünlerin ana hammaddesi olması nedeniyle ham petrol
temel tedarik kalemini oluşturmaktadır. Tüpraş planlanan üretimini gerçekleştirmek
için gerekli ham petrolün az bir kısmını yerli kaynaktan temin etmekte, geriye kalan
büyük bir kısmını ise değişik ülkelerden ithal edilmektedir. Tüpraşın 2004-2007
döneminde ham petrol temin ettiği ülkeler ve miktarları Tablo-4’de gösterilmektedir.
10 Çevrimiçi: http://www.oib.gov.tr/portfoy/tupras/tupras_index.htm., Ziyaret 25 Eylül 2008. 11 İstanbul Sanayi Odasının düzenlediği Türkiye’nin en büyük 500 sanayi şirketi sıralamasında hep ilk sırada yer almaktadır. 12 Çevrimiçi:http://www.tüpras.com.tr., Tüpraş Kurumsal Sosyal Sorumluluk Raporu 2007, Ziyaret: 25.10.2008
162
Tablo-4: Tüpraş’ın Ham Petrol Temin Ettiği Ülkeler ve Miktarlar-(2004-2007)
Ülkeler / Milyon Ton 2004 2005 2006 2007 Azarbaycan - 0,1 0,1 - Cezayir 0,4 - - - Irak 1,2 0,9 0,5 0,9 İran 5,8 7,0 8,9 8,9 İtalya 0,1 - - 0,4 Kazakistan - - 0,1 0,5 Libya 4,8 4,6 4,5 0,1 Rusya 5,8 7,1 6,7 9,1 Suriye 0,4 0,3 - 0,2 Suudi Arabistan 3,5 3,5 3,5 3,3 Türkiye 2,3 2,2 2,2 2,1
Üretimin en stratejik etaplarından biri planlamadır. Tüpraş planlama sürecini
yönetmek için iki bilişim sisteminden yararlanmaktadır. Bu sistemler sayesinde alımı
programlanan ya da stoktaki ham petrol ve diğer hammaddelerden, verilen talep ve
tahmini fiyatlar doğrultusunda hangi üründen, hangi kalitede, ne kadar üretileceğini
hesaplanmaktadır. Burada bilişim sisteminin girdileri olan talebin ve fiyatların doğru
ve gerçeğe yakın tahmin edilmesi büyük önem kazanmaktadır.
Tüpraş petrol ve petrokimya olmak üzere iki ana grupta piyasaya ürün
sunmaktadır. Tüpraş’ın ürün yelpazesi Tablo-5’de özetlenmektedir.
Tablo-5: TÜPRAŞ’ın Ürün Yelpazesi Petrol Ürünleri Petrokimya Ürünleri Propan, LPG, Solvent, Kurşunsuz Benzin, jet yakıtı, gazyağı, soğutma yağı, motorin, HVGO, Fuel Oil, clarified oil, asfalt, kükürt, spindle oil, wax, ve bunları çeşitli türleri
Çeşitli türde karbon
Bu ürünler içerisinden LPG, solvent, nafta, benzin, jet yakıtı, gazyağı,
motorin, soğuk işlem yağı, madeni yağ, wax, extract, HVGO beyaz ürün, fuel oil,
asfalt, clarified oil ve kükürt ise siyah ürün olarak adlandırılmaktadır. Tüpraş üretmiş
olduğu bu ürünlerin büyük çoğunluğunu yurtiçi piyasaya sunmakta, bir kısmını ise
ihraç etmektedir.
163
4.4. Değişkenlerin Belirlenmesi Bölüm1’de işletmelerde plan ve planlama anlatılırken, üretimin planlanması,
finansman planlaması, insan kaynakları planlaması için satışların tahmin edilmesi
gerektiği vurgulanmıştı. İşletmelerde planlama için çok önemli bir değişken olan
satışlar analiz yapılacak değişken olarak belirlenmiştir. Tez çalışmasında TÜPRAŞ
işletmesinin 1994:1-2007:4 dönemindeki üçer aylık gelir tablolarında derlenen net
satışlar için hem yıllık bazda hem de üçer aylık bazda zaman serileri oluşturulmuştur.
Türkiye gibi yüksek enflasyonun hüküm sürdüğü bir ülkenin işletmesi olan
TÜPRAŞ’ın satışları, gelir tablolarında cari fiyatlarla ifade edildiğinden, değişken
değerleri Toptan Eşya Fiyat Endeksi13 (TEFE 1994=100) kullanılarak sabit fiyatlara
dönüştürülmüştür. Aksi belirtilmedikçe yapılan tüm yorumlar sabit fiyatlara göredir.
Yıllık veriler üçer aylıkları toplamı şeklinde elde edilmiştir.
İşletmeler planlama yaparken sadece işletme içi değişkenleri değil aynı
zamanda, kontrol edemedikleri işletme dışı değişkenlerinde gelecekte ne olacağını
öngermeleri gerekmektedir. TÜPRAŞ’ın en önemli girdisi ham petroldür. Ham petrol
fiyatları TÜPRAŞ tarafından kontrol edilemeyen ancak planlama için hayati bir
öneme sahip olan değişkendir. Bu nedenle varil başına ham petrol fiyatları (dolar
cinsinden) tez çalışmasında ele alınması gereken ikinci değişken olarak seçilmiştir.
13 TUİK’in aylık bazda yayınladığı endeks sayılarının üçer aylık aritmetik ortalaması alınarak ilgili dönem için endeks sayısı hesaplanmıştır. Örneğin 1994 yılının ilk çeyreği için, Ocak 1994, Şubat 1994 ve Mart 1994 aylarının ortalaması alınmıştır.
164
4.5. Net Satışların Analizi Net satışlar değişkeni yıllık ve üçer aylık olmak üzere ayrı ayrı analize tabi
tutulmuştur.
Grafik-1: Tüpraş’ın Yıllık Net Satışları (1994-2007)
20072006200520042003200220012000199919981997199619951994
Yıllar
225000,00
200000,00
175000,00
150000,00
125000,00
100000,00
75000,00
Net S
atisla
r (Bi
n YTL
)
Grafik-2: Tüpraş’ın Üçer Aylık Net Satışları (1994:1-2007:4)
Q32007
Q1
2007
Q32006
Q1
2006
Q32005
Q1
2005
Q32004
Q1
2004
Q32003
Q1
2003
Q32002
Q1
2002
Q32001
Q1
2001
Q32000
Q1
2000
Q31999
Q11999
Q31998
Q11998
Q31997
Q11997
Q31996
Q11996
Q31995
Q11995
Q31994
Q11994
Zaman
80000,00
60000,00
40000,00
20000,00
0,00
Bin
YTL
İşletmenin net satışları Grafik-1’de yıllık, Grafik-2’ de üçer aylık olarak
verilmektedir. Grafikler incelendiğinde işletmenin satışlarının dalgalı da olsa genel
olarak 1994-2007 döneminde arttığı gözlenmektedir. Yıllık net satış grafiğindeki
165
dalgalanmaların konjonktür etksinden, üçer aylık net satış grafiğindeki
dalgalanlamaların ise mevsim ve konjonktür etksinden kaynaklanmış olması doğal
kabul edilmektedir.
4.5.1. Net Satışların Bileşenlere Ayrılması Bölüm 3’de değinildiği gibi aylık veya üçer aylık bir zaman serisinin trend,
mevsim, konjonktür ve arızi faktörler olmak üzere dört bileşeni vardır.
4.5.1.1. Trendin Belirlenmesi Yıllık net satışlar serisine SPSS 13.0 istatistik paket programı yardımıyla
önce doğrusal ve ikinci derece fonksiyon denenmiş, hata kareleri toplamı ikinci
derece fonksiyonda daha olduğu için doğrusala dönüştürmeler uygulanmıştır. Üstel
(growth), kök dönüşüm doğrusal ve hiperbolik dönüşüm doğrusal trend fonksiyonları
tek tek denenmiş ve elde edilen hata kareleri toplamları Tablo-6’da gösterilmektedir.
Tablo-6incelendiğinde ikinci dereceden de düşük hata kareleri toplamı verdiği için
hiperbolik dönüşümlü doğrusal trend fonksiyonu yıllık net satışların trend
fonksiyonu olarak belirlenmiştir.
Tablo-6: Yıllık Satışların Trend Fonksiyonu
Trend Fonksiyonu Hata Kareleri Toplamı
Doğrusal 6872606956,17
İkinci Derece 5871589292,66
Growth 6064459221,15
Köklü Dönüşüm Doğrusal 6390125200,03
Hiperbolik Dönüşüm Doğrusal 5735531031,15
Üçer aylık net satışlar serisine yıllık verilerde olduğu gibi çeşitli fonksiyonlar
denenmiş ve en küçük hata kareleri toplamını veren hiperbolik dönüşümlü doğrusal
trend fonksiyonu üçer aylık net satışlar serisinin trend fonksiyonu olarak seçilmiştir
(Tablo-7).
166
Tablo-7: Üçer Aylık Satışların Trend Fonksiyonu
Trend Fonksiyonu Hata Kareleri Toplamı
Doğrusal 2806421398,27
İkinci Derece 2531569147,63
Growth 2603922656,91
Köklü Dönüşüm 2680610427,00
Hiperbolik Dönüşüm 2526825899,26
4.5.1.2. Mevsim Etkisinin Belirlenmesi Yıllık serilerde mevsimin etkisi olmadığından sadece üçer aylık net satışlar
üzerinde mevsim etkisinin olup olmadığı araştırılmıştır. Mevsimin etkisini gösteren
mevsim indeksi üçer aylık net satışlar için hesaplanmış ve Tablo-8’de verilmektedir.
Tablo-8 incelendiğinde I. ve II. üçer aylık dönemlerde mevsim net satışlar üzerinde
olumsuz bir etki gösterirken III. çeyrekte bu etki olumlu olmaktadır. Son çeyrekte
mevsimin etkisi diğer çeyrekler kadar olmasa da yine üçer aylık net satışlara olumlu
bir katkı sağlamaktadır.
Tablo-8: Üçer Aylık Net Satışların Mevsim İndeksi
Dönem Mevsim İndeksi (%)
I 90,6
II 95,9
III 110,4
IV 103,1
4.5.1.3. Konjonktür Ve Arızi Faktörlerin Belirlenmesi Yıllık net satışlarda konjonktür ve arızi faktörlerin etkisini ortaya
çıkartabilmek amacıyla,
A.K100*Tyt =
167
işlemi yapılmaktadır. Yıllık net satışlar serisinin gözlem değerleri hiperbolik
dönüşümlü doğrusal trend fonksiyonu ile elde edilen trend (T) değerlerine bölünerek
konjonktür ve arızi faktörlerin etkisi yüzde (%) cinsinde ortaya çıkarılmaktadır
(Grafik 3). Grafik-3’ ten görüleceği üzere 2000 ve 2001 yıllarında konjonktür ve
arızi faktörlerin net satışlar üzerindeki etkileri olumlu olarak en yüksek düzeydedir.
Bunun sonucu olarak satışlar bu dönemde trendinin üzerinde gerçekleşmiştir. Buna
karşılık 1998, 1999 ve 2003 yıllarında konjonktür ve arızi faktörlerin net satışlar
üzerindeki etkileri olumsuz olmuş, ve satışlar trendinin altında seyretmiştir.
Grafik- 3: Yıllık Net Satışlar Üzerinde Konjonktür ve Arızi Faktörlerin Etkisi
20072006200520042003200220012000199919981997199619951994
Yıllar
150,00
140,00
130,00
120,00
110,00
100,00
90,00
80,00
%
Üçer aylık net satışlar üzerinde konjonktür ve arızi faktörlerin etkilerini
görebilmek için,
A.K100*M.T
yt =
işleminin yapılması gerekmektedir. Üçer aylık net satışlar için belirlenen ikinci
derece trend fonksiyonu değerleri mevsim indeksi (M) ile düzeltilmektedir. Üçer
aylık net satış gözlem verileri trend ve mevsim bileşenine oranlanarak konjonktür ve
arızi (K.A) faktörlerin etkileri açığa çıkartılmaktadir (Grafik-4). Grafik-4
incelendiğinde konjonktür ve arızi faktörlerin 1998:1-1999:3 dönemlerinde net
168
satışlar üzerinde etkilerinin olumsuz olduğu ve 1998:3 çeyreğinde bu etkinin
maksimum olduğu gözlenmektedir. 2000:1-2001:4 döneminde konjonktür ve arızi
faktörlerin net satışlar üzerinde etkisi olumlu olup bu olumlu etki 2000:4 çeyreğinde
zirve yapmıştır. 2003:2-2004:3 döneminde konjonktür ve arızi faktörlerin etkisi
olumsuzdur. Konjonktür etkisinin olumlu olduğu dönemlerde satışlar trendinin
üzerinde, olumsuz olduğu dönemlerde ise trendinin altında gerçekleşmektedir.
Satışların trendinin üzerinde olması konjonktürün refah dönemini, satışların trendinin
altında olması ise konjonktürün depresyon döneminde olduğunun bir işaretidir. Diğer
dönemlerde konjonktür ve arızi faktörlerin olumlu ve olumsuz etkisi olmakla birlikte
bu etki çok dikkat çekici değildir.
Grafik-4: Net Satışlar Üzerinde Konjonktür ve Arizi Faktörlerin Etkisi (1994:1-
2007:4)
Q32007
Q1
2007
Q32006
Q1
2006
Q32005
Q1
2005
Q32004
Q1
2004
Q32003
Q1
2003
Q32002
Q1
2002
Q32001
Q1
2001
Q32000
Q1
2000
Q31999
Q11999
Q31998
Q11998
Q31997
Q11997
Q31996
Q11996
Q31995
Q11995
Q31994
Q11994
Zaman
200,00
175,00
150,00
125,00
100,00
75,00
50,00
%
4.5.2. Net Satışlara Düzgünleştirme Yöntemlerinin Uygulanması Net satışların üstel düzgünleştirme yöntemleriyle analizi için hem yıllık net
satışlar hem de üçer aylık net satışlar SPSS 13.0 istatistik paket programı yardımıyla
çeşitli üstel düzgünleştirme yöntemleri uygulanmıştır. Sadece Brown’ın yöntemleri
SPSS paket programda yer almaması nedeniyle Excel’de solver kullanılarak
169
çözülmüştür. Yıllık net satışlar için uygulanan üstel düzgünleştirme yöntemleri ve
hata kareleri toplamları Tablo-9’de verilmektedir. Tablo-9 incelendiğinde Holt’un İki
Parametreli Doğrusal Üstel düzgünleştirme yöntemi en küçük hata kareleri toplamı
değerine sahiptir. Hata kareleri toplamını en küçük yapan düzgünleştirme katsayıları
serinin genel düzeyi için 0,99 ( )99,0=α , trend bileşeni için ise gama 0,01 ( )01,0=γ
olarak elde edilmiştir.
Tablo-9: Yıllık Net Satışlar İçin Üstel Düzgünleştirme Yöntemleri
Yöntem Hata Kareleri Toplamı
Basit Üstel Düz. 12197276878,17
Holt İkili Parametreli Doğrusal Üstel Düz. 8332474263,67
Holt Winters İki Parametreli İkili Üst.Düz.-Üstel Trend 9049937635,62
Yavaşlayan Trend Üstel Düz. 8387586829,15
Brown Tek Parametreli Doğrusal Üstel Düz. 11155656606,98
Brown İkinci Derece Üstel Düz. 10748051497,49
Üçer aylık veriler için denen üstel düzgünleştirme yönteleri ve hata kareleri
toplamları Tablo-10’da verilmektedir.
Tablo-10: Üçer Aylık Net Satışlar İçin Üstel Düzgünleştirme Yöntemleri
Yöntem Hata Kareleri Toplamı
Basit Üstel Düz. 2222790133,93
Holt İkili Parametreli Doğrusal Üstel Düz. 1899509440,47
Winters’ın Doğrusal Trend Üstel Düz. 1111600293,34
Winters’ın Trendsiz Üstel Düz. 1330104148,41
Winters’ın Üstel Trend Üstel Düz. 1134956633,76
Winters’ın Yavaşalayan Trend Üstel Düz. 1136825120,98
Brown Tek Parametreli Doğrusal Üstel Düz. 2210671114,73
Brown İkinci Derece Üstel Düz. 2484751398,69
170
Tablo-10’dan görüleceği üzere Winters’ın Doğrusal Üstel Düzgünleştirme
yönteminin (Çarpımsal mevsim) en küçük hata kareleri toplamına sahiptir. Bu en
küçük hata kareleri toplamını veren düzgünleştirme katsayıları serinin genel düzeyi
için 0,89 ( 89,0 )=α , trend bileşeni için 0,01 ( )01,0=γ ve mevsim bileşeni için 0,01
olarak elde edilmiştir. ( 01,0=β )
4.5.3. Net Satışların Otoregressif Ve/Veya Hareketli Ortalama
Yöntemiyle İncelenmesi Grafik-1’de net satışların yıllık değerlerinin grafiği verilmişti. Grafik-1
incelendiğinde yıllık satışların dalgalı olmakla birlikte yukarı yönlü bir trendinin
olduğu görülmektedir. Otoregressif ve/veya Hareketli Ortalama Yöntemini (ARMA)
uygulayabilmek için seri durağan olmalıdır. Serinin durağanlığı hakkında ya birim
kök testleriyle ya da otokorelasyon fonksiyonun grafiği14 incelenerek ve katsayıların
testleri yapılarak karar verilebilmektedir. Serinin korelogramı Grafik-5’de
verilmektedir.
Grafik-5: Yıllık Net Satışların Korelogramı
Grafik-5’den izlenebileceği gibi ilk gecikme hariç diğer gecikmelerin
otokorelasyon katsayıları %95 güven aralığı içinde kaldığından serinin
durağan olduğuna karar verilmektedir. Korelogram incelendiğinde kısmi
otokorelasyon katsayılarının otokorelasyon katsayılarına göre daha yavaş olarak
52,0m
14 Otokorelasyon fonksiyonun grafiğine korelogram denmektedir.
171
sıfıra yaklaştığı görüldüğünden, kesin olmamakla birlikte seriye hareketli ortalama
(MA) modelinin uygun olduğu düşünülmektedir. Seri üzerinde çeşitli ARMA
modelleri denenmiştir. ARMA(0,0,2) modelinde katsayılar anlamlı olmakla birlikte
çevrilebilirlik kısıtının, ARMA(1,0,0) modelinde ise katsayı anlamlı ancak
durağanlık kısıtının, ARMA(1,0,1) modelinde katsayılar yine anlamlı fakat
durağanlık ve çevrilebilirlik kısıtlarının sağlanamadığı görülmüştür. ARMA(2,0,0)
modelinde ise katsayılar hem anlamsız hem de durağanlık kısıtını sağlamamaktadır.
Yine ARMA(2,0,1) ve ARMA(1,0,2) modellerinin katsayıları için de yine benzer
sonuçlar elde edilmiştir. ARMA(0,0,1) modeli yıllık net satış serisi için uygun model
olarak bulunmuştur. Modelin bilgi kriterleri Tablo-11’da katsayısı ise Tablo-12’de
verilmiştir
Tablo-11: ARIMA(0,0,1) Modelinin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARIMA(0,0,1) 25,5709 25,6165 -177,9963 9,06E+9
Tablo-12: Yıllık Net Satışlara ait ARIMA(001) Modeli
Model
ARIMA(0,0,1)
Katsayılar Std.Hata t-İstatistiği Olasılık
MA(1) 0,894146 0,098066 9,117812 0,0000
ARMA(0,0,1) modelinin tahmin hatalarına ait otokorelasyonlar Grafik-6’dan
izlenebileceği gibi %95 güven sınırlarını içinde yer almaktadır. Ayrıca çeşitli
gecikmeler için hesaplanan Q istatistiklerini incelediğimizde hesaplanan tüm
gecikmeler için tablo değerlerinden küçük olduğundan yine anlamlı
otokorelasyon katsayısının bulunmadığını anlaşılmaktadır. Dolayısıyla hata terimleri
beyaz gürültü serisi olup tesadüfi dağılıma sahiptirler.
52,0±
2qm, −αχ
172
Grafik-6: ARMA(0,0,1) Modeline Ait Hataların Korelogramı
Yıllık net satışlar için uygun ortalama modelin bulunmasından sonra seride
koşullu değişen varyans etkisinin (ARCH etkisi) olup olmadığının araştırılması
gerekmektedir. Bunun için hata karelerinin korelogramı incelenebileceği gibi
Bölüm3’de söz edilen ARCH-LM testi de uygulabilmektedir. ARMA(0,0,1)
modelinin hatalarının karelerine ait korelogram Grafik-7’de verilmektedir. Grafik-7
incelendiğinde otokorelayon katsayılarının %95 güven sınırları içinde
olduğu ve ayrıca Q istatistiğinin de hesaplanan tüm gecikmelerinde Ki-kare tablo
değerlerinden küçük olduğu görülmektedir. Dolayısıyla hata terimlerinin kareleri
arasında anlamlı bir ilişki yoktur. Bu sonuca ayrıca ARCH-LM
( 52,0m )
15 testiyle ulaşmak
mümkündür. ARCH-LM testinde hata karelerinden p gecikmeli regresyon denklemi
elde edilmekte ve denklemin katsayılarının anlamlı olmasının yanı sıra 2nRLM =
değerinin tablo değerinden büyük olması durumunda ARCH etkisinden söz
edilmektedir.
2pχ
15 Ayrıntı için Bölüm 3’e bakınız.
173
Grafik-7: ARMA(0,0,1) Modeline Ait Hata Karelerinin Korelogramı
ARMA(0,0,1) modeline ait hata karelerinin çeşitli gecikmelerinden elde
edilen regresyon katsayıları ve ARCH-LM test istatistik sonuçları Tablo-13’de
gösterilmektedir.
Tablo-13: ARMA (0,0,1) Modelinin ARCH-LMTest Sonuçları16
p 0α 1α 2α 3α LM 2p;05,0χ
1 4,82E+9
(2,30E+9)
0,305657
(0,306613)
1,077148 3,841
2 3,37E+9
(2,88E+9)
0,224299
(0,300034)
0,453995
(0,365744)
2,462258 5,991
3 4,24E+9
(3,87E+9)
0,304947
(0,372834)
0,421620
(0,410204)
-0,262202
(0,455268)
2,603943 7,814
ARCH-LM test sonuçları da seride bir ARCH etkisinin olmadığını
doğrulamaktadır. ARMA(0,0,1) modelinden elde edilen hatalar durağan olup birim
kök içermediğinden, hata teriminde meydana gelen şokların serinin genel eğilimine
kısa dönemde etki yaptığı ve süreklilik göstermediği sonucuna varılmaktadır. Yıllık
net satışların tahmini için kullanılabilecek ortalama model ARMA(0,0,1) modelidir.
16 Test daha uzun gecikmeler içinde yapılmış ancak hem katsayılar hemde LM istatistiği anlamlı olmadığından diğer gecikme uzunlukları için test sonuçları verilmemiştir. Ayrıca tabloda parantez içindeki değerleri katsayıların standart hatalarıdır.
174
Grafik-2’de üçer aylık net satışların grafiği verilmişti. Grafik-2
incelendiğinde üçer aylık net satışlar serisinin bir trendinin olduğu görülmektedir.
ARMA yöntemini uygulayabilmek için serinin durağan olması gerekmektedir.
Teorik bölümde belirtildiği gibi durağan olmayan serilere fark işlemi uygulanarak
durağanlaştırılmaktadır. Durağanlaştırma sırasında ya birinci, ikinci farklar veya
mevsimsel farklar alınmaktadır. Durağanlığın araştırılması için ya birim kök testlerin
yapılması veya serinin otokorelasyon fonksiyonun incelenmesi gereklidir. Uzun
gecikmelere rağmen otokorelasyon katsayıları anlamlılığını koruyor ise seri durağan
değildir. Üçer aylık net satışların korelogramı Grafik-8’de gösterilmektedir.
Grafik-8: Üçer Aylık Net Satışların Korelogramı
Net satışların korelagramı incelendiğinde sekizinci gecikmeden sonraki
otokorelasyon katsayılarının 26,0± %95 güven sınırları içinde kaldığı
görülmektedir. Ayrıca Q istatistik değerleri tüm gecikmeleri için %5 anlamlılık
düzeyinde ki-kare tablo değerlerinden17 büyük olduğundan otokorelasyon katsayıları
anlamlıdır. Dolayısıyla üçer aylık net satışlar serisi durağan değildir. Seriyi 17 Örneğin, %5 anlamlılık düzeyinde tablo değerleri ikinci gecikme için 3,84, beşinci gecikme için 9,48, onuncu gecikme için 16,92, onbeşinci gecikme için 23,68, yirminci gecikme için 30,14 ve yirmibeşinci gecikme için 36,42
175
durağanlaştırmak amacıyla ilk farklar uygulanmış ve ilk farklar serisinin grafiği ve
korelogramı sırasıyla Grafik-9 ve Grafik-10’da gösterilmektedir.
Grafik-9: Üçer Aylık Net Satışların İlk Farklar Serisi
-15000
-10000
-5000
0
5000
10000
15000
20000
1994 1996 1998 2000 2002 2004 2006
DNS
Grafik-10: Üçer Aylık Net Satışların İlk Farklar Serisinin Korelogram
176
İlk farklar serisinin korelogramını incelediğinde yine uzun gecikmelere
rağmen otokorelasyon katsayıları anlamlılığını korumaktadırlar. Özellikle periyodik
olarak bazı gecikmelerde otokorelasyon katsayılarının yüksekliği dikkat
çekmektedir. Dolayısıyla ilk farklar serisinin de durağan olmadığı gözlenmektedir.
İlk farklar serisinin tekrar farkını almadan mevsimsel ilk farklar uyguladığında
serinin artık durağanlaştığı anlaşılmaktadır. İlk farklar ve mevsimsel ilk farklar
serisinin grafik ve korelogramı Grafik-11 ve Grafik-12’de sırasıyla gösterilmektedir.
Grafik-11: Üçer Aylık Net Satışların İlk Farklar ve Mevsimsel İlk Farklar Serisi
-20000
-10000
0
10000
20000
1994 1996 1998 2000 2002 2004 2006
SDNS
177
Grafik-12: Üçer Aylık Net Satışların İlk Farklar ve Mevsimsel İlk Farklar Serisinin
Korelogramı
Durağanlaştırılan serinin korelogramını incelediğinde otokorelasyon
fonksiyonunda dördüncü gecikmedeki otokorelasyon katsayısının önemli diğer
otokorelasyon katsayılarının çok önemli olmadığı görülmektedir. Kısmı
otokorelasyon fonksiyonu incelendiğinde dördüncü, sekizinci, onikinci, onaltıcı
otokorelasyon katsayılarının önemli diğerleri ise önemsizdir. Dolayısıyla mevsim
periyodundaki kısmi otokorelasyon katsayıları yavaş yavaş azalırken otokorelasyon
fonksiyonunda ilk mevsim periyodundaki korelasyon anlamlı olduğundan akla ilk
gelen birinci dereceden mevsimsel hareketli ortalama SMA(1) modelidir. Bu model
ile birlikte başka modellerde denenmiş katsayılarının istatistik anlamlılığının
yanında, katsayılarının durağanlık ve çevrilebilirlik kısıtları dikkate alınarak dört
uygun model belirlenmiştir. Bu modellere ait bilgi kriterleri Tablo-14’de
verilmektedir.
178
Tablo-14: Üçer Aylık Net Satışlar İçin Uygun Modellerin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARIMA(0,1,0)(1,1,0) 20,46669 20,54317 -509,6672 2,09E+9
ARIMA(0,1,0)(0,1,1) 19,91064 19,94851 -506,7212 1,27E+9
ARIMA(0,1,0)(1,1,0) 20,25234 20,29171 -474,9301 1,65E+9
ARIMA(0,1,2)(0,1,0) 20,33998 20,37786 -517,6694 1,96E+9
Uygun modeller içinde ARIMA(0,1,0)(0,1,1) modelinin en düşük AIC ve
SBC bilgi kriterlerine sahip olduğundan en uygun ARIMA modeli olarak
belirlenmiştir. Tablo-15’de gösterildiği gibi modelin katsayısı istatistik olarak
anlamlı ve aynı zamanda çevrilebilirlik kısıtını sağlamıştır.
Tablo-15: Üçer Aylık Net Satışlara Ait ARIMA(010)(011) Modeli
Model
ARIMA (0,1,0)(0,1,1)
Katsayı Std.Hata t-İstatistiği Olasılık
SMA(1) -0,902349 0,043018 -20,97606 0,0000
ARIMA(010)(011) Modelinin tahmin hatalarına ait otokorelasyonlar Grafik-
13’den izlenebileceği gibi 27,0± %95 güven sınırlarını içinde yer almaktadır.
Ayrıca çeşitli gecikmeler için hesaplanan Q istatistiklerini incelediğinde hesaplanan
tüm gecikmeler için tablo değerlerinden küçük olduğundan yine anlamlı
otokorelasyon katsayısının bulunmadığını doğrulanmaktadır. Dolayısıyla hata
terimleri beyaz gürültü serisi olup tesadüfi dağılıma sahiptirler.
2Qm, −αχ
179
Grafik-13: ARIMA(0,1,0)(0,1,1) Modeline Ait Hataların Korelogramı
Üç aylık net satışlar için uygun ortalama modelin bulunmasından sonra seride
ARCH etkisi olup olmadığının araştırılması gerekmektedir. Bunun için hata
karelerinin korelogramı incelenebileceği gibi ARCH-LM testi de uygulabilmektedir.
ARIMA(0,1,0)(0,1,1) modelinin hata karelerine ait korelogram Grafik-14’de
verilmektedir. Grafik-14 incelendiğinde otokorelayon katsayılarının %95 güven
sınırları içinde olduğu ve ayrıca Q istatistiğinin de hesaplanan tüm gecikmelerinde
Ki-kare tablo değerlerinden küçük olduğu görülmektedir. Dolayısıyla hata kareleri
arasında anlamlı bir ilişki yoktur. Bu sonuca ayrıca ARCH-LM testiyle ulaşmak
mümkündür. ARCH-LM testinde hata karelerinden p gecikmeli regresyon denklemi
elde edilmekte ve denklemin katsayılarının anlamlı olmasının yanı sıra 2nRLM =
değerinin tablo değerinden büyük olması durumunda ARCH etkisinden söz
edilmektedir.
2pχ
180
Grafik-14: ARIMA(0,1,0)(0,1,1) Modeline Ait Hata Karelerinin Korelogramı
Hata terimlerinin karelerinin çeşitli gecikmeleri için tahmin edilen regresyon
denkleminin katsayıları ve ARCH-LM test istatistik sonuçları Tablo-16’de
verilmektedir.
Tablo-16: ARIMA (0,1,0)(0,1,1) Modelinin ARCH-LMTest Sonuçları18
p 0α 1α 2α 3α LM 2p;05,0χ
1 28091390
(7508697)
-0,114023
(0,143519)
0,648964 3,841
2 22666775
(8648130)
-0,092098
(0,144465)
0,202623
(0,144723)
2,634653 5,991
3 23303058
(9516568)
-0,097281
(0,150870)
0,199498
(0,148248)
0,003573
(0,151714)
2,578060 7,814
18 Test daha uzun gecikmeler içinde yapılmış ancak hem katsayılar hemde LM istatistiği anlamlı olmadığında diğer gecikme uzunlukları için tes tsonuçları verilmemiştir. Ayrıca tabloda parantez içindeki değerleri katsayıların standart hatalarıdır.
181
ARCH-LM test sonuçları da seride bir ARCH etkisinin olmadığını
doğrulamaktadır. ARIMA(0,1,0)(0,1,1) modelinden elde edilen hatalar durağan olup
birim kök içermediğinden, hata teriminde meydana gelen şokların serinin genel
eğilimine kısa dönemde etki yaptığı ve süreklilik göstermediği sonucuna
varılmaktadır. Üçer aylık net satışlar tahmini için kullanılabilecek ortalama model
ARIMA(0,1,0)(0,1,1) modelidir.
4.6. Ham Petrol Fiyatlarının Analizi
Varil başına günlük ham petrol fiyatları (Amerikan doları cinsinden)
Reuters’den temin edilmiştir. Günlük ham petrol fiyatlarından yıllık, mevsimlik ve
aylık ham petrol fiyatları hesaplanmıştır. Fiyatların Amerikan dolar cinsinden olması
ve Amerika’da enflasyonun yüksek seyir izlememesi nedeniyle seriye herhangi bir
deflate işlemi uygulanmamıştır. Yıllık ham petrol fiyatlarının grafiği aşağıda
gösterilmektedir (Grafik-15). Grafikten anlaşılacağı üzere ham petrol fiyatları zaman
içerisinde artan bir seyir izlemektedir. Seride konjonktürün neden olduğu 4-5 yıllık
dalgalanmalarda söz konusudur. Örneğin 1994-1998 arası bir konjonktür dönemi,
1998-2002 arası ikinci konjonktür dönemi ve 2002’den sonrası da üçüncü konjonktür
dönemi olarak belirlenebilir. Bu dönemlerin başlangıç ve bitişlerinde petrol fiyatları
en düşük düzeyindedir.
Grafik-15: Varil Başına Yıllık Ham Petrol Fiyatları 1994-2008
200820072006200520042003200220012000199919981997199619951994
Yıllar
100,00
80,00
60,00
40,00
20,00
0,00
Dolar
182
Ham petrol fiyatlarını daha yakından incelemek için mevsimlik ve aylık
serilere ait grafikler de verilmiştir (Grafik-16 ve Grafik-17).
Grafik-16: Varil Başına Mevsimlik Ham Petrol Fiyatları 1994:1-2008:4
2008
2008
2008
2008
2007
2007
2007
2007
2006
2006
2006
2006
2005
2005
2005
2005
2004
2004
2004
2004
2003
2003
2003
2003
2002
2002
2002
2002
2001
2001
2001
2001
2000
2000
2000
2000
1999
1999
1999
1999
1998
1998
1998
1998
1997
1997
1997
1997
1996
1996
1996
1996
1995
1995
1995
1995
1994
1994
1994
1994
Zaman
120,00
100,00
80,00
60,00
40,00
20,00
0,00
Dolar
Grafik-16 ve Grafik-17 birlikte incelendiğinde konjonktür dalgalanmalarının
dışında da dalgalanmalar vardır. Bu dalgalanmalar belirgin bir periyodik özellik
göstermediğinden güçlü bir mevsim etkisinden söz etmek mümkün değildir. Bu
dalgalanmaların arızi faktörlerden (kasırga, ham petrol ihraç eden gelişmemiş
ülkelerdeki siyasi karışıklıklar vb.) kaynaklanabileceği düşünülmektedir. Zaman
içerisinde yukarı yönlü olan petrol fiyatlarında 2008 Ağustos’undan sonra keskin bir
düşüşün gerçekleştiği görülmektedir.
183
Grafik-17: Varil Başına Aylık Ham Petrol Fiyatları 1994:1-2008:12
AUG2008
MAR2008
OCT2007
MAY2007
DEC2006
JUL
2006
FEB20...
SEP20...
APR2005
NOV2004
JUN2004
JAN2004
AUG2003
MAR2003
OCT2002
MAY2002
DEC2001
JUL
2001
FEB20...
SEP20...
APR2000
NOV1999
JUN1999
JAN1999
AUG1998
MAR1998
OCT1997
MAY1997
DEC1996
JUL1996
FEB19...
SEP19...
APR1995
NOV1994
JUN1994
JAN1994
Zaman
140,00
120,00
100,00
80,00
60,00
40,00
20,00
0,00
Dola
r
4.6.1. Ham Petrol Fiyatlarının Bileşenlere Ayrılması
Yıllık, mevsimlik ve aylık olarak düzenlenen ham petrol fiyatlarının her biri
ayrı ayrı bileşenlerine ayrılacaktır.
4.5.1.1. Trendin Belirlenmesi Yıllık ham petrol fiyatları serilerine SPSS 13.0 istatistik paket programı
yardımıyla önce doğrusal, sonra ikinci derece ve üstel (growth) fonksiyonlar
denenmiş, ikinci derece fonksiyonun hata kareleri toplamı daha küçük olduğu için
seriye dönüşüm uygulanmıştır. Dönüşüm yöntemlerinden, kök dönüşüm doğrusal ve
hiperbolik dönüşüm doğrusal trend fonksiyonlarından hiçbiri ikinci derece trend
fonksiyonunun hata kareleri toplamından daha küçük hata kareleri toplamı
vermemiştir. Trend fonksiyonlarına ait hata kareleri toplamları Tablo-17’de
gösterilmektedir. Tablo-17 incelendiğinde en küçük hata kareleri toplamı 378,90 olan
ikinci dereceden fonksiyon ham petrol fiyatlarının trend fonksiyonu olarak
belirlenmektedir.
184
Tablo-17: Yıllık Ham Petrol Fiyatlarının Trend Fonksiyonu
Trend Fonksiyonu Hata Kareleri Toplamı
Doğrusal 2249,66
İkinci Derece 378,90
Growth 1260,51
Köklü Dönüşüm Doğrusal 1605,67
Hiperbolik Dönüşüm Doğrusal 525,61
Mevsimlik ham petrol fiyatları için önce doğrusal, sonra ikinci derece ve üstel
fonksiyonlar denenmiştir. Denen fonksiyonlar içinden ikinci derecenin hata kareleri
toplamı diğer ikisinin hata kareleri toplamından daha küçük olduğundan seriye
hiperbolik ve karekök dönüşümü uygulanmıştır. Dönüştürülmüş verilerle doğrusal
trend fonksiyonu denenmiş ancak hata kareleri toplamları ikinci derece fonksiyondan
daha küçük olmadığı için mevsimlik ham petrol fiyatlarının trend fonksiyonu ikinci
dereceden bir fonksiyon olarak belirlenmiştir (Tablo-18).
Tablo-18: Mevsimlik Ham Petrol Fiyatlarının Trend Fonksiyonu
Trend Fonksiyonu Hata Kareleri Toplamı
Doğrusal 12148,88
İkinci Derece 4835,35
Growth 8520,49
Köklü Dönüşüm Doğrusal 9680,34
Hiperbolik Dönüşüm Doğrusal 6623,41
Aylık ham petrol fiyatlarına yukarıda bahsedildiği şekilde çeşitli trend
fonksiyonları denenmiş, içlerinden hata kareleri toplamı en küçük olan ikinci derece
fonksiyonun trend için en uygun olduğu saptanmıştır (Tablo-19).
185
Tablo-19: Aylık Ham Petrol Fiyatlarının Trend Fonksiyonu
Trend Fonksiyonu Hata Kareleri Toplamı
Doğrusal 38655,72
İkinci Derece 16769,91
Growth 28049,41
Köklü Dönüşüm Doğrusal 31341,78
Hiperbolik Dönüşüm Doğrusal 22863,47
4.5.1.2. Mevsim Etkisinin Belirlenmesi
Yıllık serilerde mevsim bileşeni olmadığından ham petrol fiyatlarında
mevsim etkisinin varlığı mevsimlik ve üçer aylık seriler yardımıyla araştırılmıştır.
Mevsimlik verilere ait mevsim indeksi değerlerinden de anlaşılacağı üzere ham
petrol fiyatları üzerinde belirgin bir mevsim etkisi bulunmamaktadır (Tablo-20).
Tablo-20: Mevsimlik Ham Petrol Fiyatlarının Mevsim İndeksi
Dönem Mevsim İndeksi(%)
1 96,5
2 100,2
3 102,9
4 100,4
Aylık ham petrol fiyatları kullanılarak hesaplanan mevsim indeksi Tablo-
21’de verilmektedir. Tablo-21 incelendiğinde mevsim indeksi değerleri 96,3 ile
103,5 arasında değişmektedir. Bu değerler 100’e çok yakın olduğundan ham petrol
fiyatları üzerinde mevsimin çok önemli etkisi yoktur.
186
Tablo-21: Aylık Ham Petrol Fiyatlarının Mevsim İndeksi
Aylar Mevsim İndeksi (%)
Ocak 96,4
Şubat 96,3
Mart 97,8
Nisan 99,0
Mayıs 101,6
Haziran 100,1
Temmuz 101,8
Ağustos 102,6
Eylül 103,5
Ekim 103,1
Kasım 100,4
Aralık 97,4
4.5.1.3. Konjonktür Ve Arızi Faktörlerin Belirlenmesi Yıllık verilerde konjonktür ve arızi faktörlerin etkisini ortaya çıkartabilmek
amacıyla,
A.K100*Tyt =
işlemi yapılmaktadır. Yıllık ham petrol fiyatları, ikinci derece trend fonksiyonundan
elde edilen trend (T) değerlerine bölünerek konjonktür ve arızi faktörlerin etkisi
yüzde (%) cinsinden ortaya çıkarılmaktadır (Grafik-18). Grafik-18’den göreleceği
üzere seride üç konjonktür dönemi söz konusudur. Özellikle 1994-1998 ve 1998-
2002 dönmelerinde konjonktür ve arızi faktörlerin etkisi bir hayli yüksektir. 2002-
2007 döneminde konjonktür ve arızi faktör etkisi diğer iki dönem kadar etkin
olmamakla birlikte; 2002’den 2004’e petrol fiyatlarını azaltıcı bir rol oynamıştır.
187
Grafik-18: Yıllık Ham Petrol Fiyatlarında Konjonktür ve Arızı Faktörler (%)
200820072006200520042003200220012000199919981997199619951994
Yıllar
160,00
140,00
120,00
100,00
80,00
KA(%
)
Mevsimlik ve aylık verilerde konjonktürün etkisini belirlemek için trend
değerleri mevsim indeksiyle düzeltilerek,
A.K100*M.T
yt =
işlemi yapılmaktadır. Böylece konjonktür ve arızi faktörlerin etkileri % cinsinden
elde edilmektedir. Hem mevsimlik hem de aylık verilerde trend değerleri ikinci
derece fonksiyon ile tahmin edilmiştir. Daha sonra ilgili serilerin mevsim indeksleri
kullanılarak tahmin değerleri düzeltilmiştir. Bu değerler kullanılarak elde edilen
konjonktür ve arızi faktörlerin etkileri mevsimlik seri için Grafik-19’da aylık seri için
ise Grafik-20’de verilmektedir.
188
Grafik-19: Mevsimlik Ham Petrol Fiyatlarında Konjonktür ve Arızı Faktörler (%)
Q32008
Q1
2008
Q32007
Q1
2007
Q32006
Q1
2006
Q32005
Q1
2005
Q32004
Q1
2004
Q32003
Q1
2003
Q32002
Q1
2002
Q32001
Q1
2001
Q32000
Q1
2000
Q31999
Q11999
Q31998
Q11998
Q31997
Q11997
Q31996
Q11996
Q31995
Q11995
Q31994
Q11994
Zaman
160,00
140,00
120,00
100,00
80,00
60,00
KA(%
)
İlk konjonktür döneminde Ocak-96 dan Şubat-98’e kadar petrol fiyatları
konjonktürün de etkisiyle trendinin üzerinde seyretmiştir. Ocak-94’den Ocak-96’ya
kadar ve Şubat-98’den Aralık-98’e kadar ise konjonkür etkisi petrol fiyatlarının
trendinin altında gelişmesine neden olmuştur.
Grafik-20: Aylık Ham Petrol Fiyatlarında Konjonktür ve Arızı Faktörler (%)
AUG2008
MAR2008
OCT2007
MAY2007
DEC2006
JUL
2006
FEB20...
SEP20...
APR2005
NOV2004
JUN2004
JAN2004
AUG2003
MAR2003
OCT2002
MAY2002
DEC2001
JUL
2001
FEB20...
SEP20...
APR2000
NOV1999
JUN1999
JAN1999
AUG1998
MAR1998
OCT1997
MAY1997
DEC1996
JUL1996
FEB19...
SEP19...
APR1995
NOV1994
JUN1994
JAN1994
Zaman
180,00
160,00
140,00
120,00
100,00
80,00
60,00
40,00
KA(%
)
189
İlk konjonktür döneminde özellikle Güney Doğu Asya krizi etkin olmuştur.
Krizin başladığı 1997’nin yaz aylarına kadar Güney Doğu Asya ülkeleri olan
Endenozya, Malezya, Filipinler, Singapur ve Tayland ortalama yıllık %8 (Gayri Safi
Yurtiçi Hasıla) büyüyerek petrole olan talebi arttırmışlar ve buna bağlı olarak da
petrol fiyatlarının trend değerinin üzerinde gerçekleşmesine neden olmuşlardır.
Krizin başladığı 1997 yaz aylarından itibaren grafiklerden de izlenebileceği gibi hep
artış yönünde olan konjonktürün etkisi yön değiştirmiş ve özellikle Şubat-98’den
sonra petrol fiyatlarını azaltıcı bir rol oynamıştır. İkinci konjonktür döneminde;
Aralık-98’den Temmuz-99’a kadar ham petrol fiyatları konjonktur etkisiyle trendinin
altında, Temmuz-99’dan Ekim-01’e kadar ise trendinin üstünde gerçekleşmiştir.
Ekim-01’den Şubat-02’ye kadar ise konjonktür yine petrol fiyatlarını trendinin altına
çekmiştir. 2001’de yaşanan Arjantin ve Türkiye krizi ile ABD’deki 11 Eylül
saldırıları ve takiben 2003 Mart ayında Amerika’nın Irak’ı işgal etmesi ikinci
konjonktür döneminde etkili olan olaylardır. Son olarak Amerikan konut sektöründe
başlayan ve tüm dünyayı 2008 yaz aylarında etkisi altına alan ekonomik kriz petrol
fiyatlarındaki keskin düşüşe neden olmuştur. Petrol fiyatlarının trendinin üzerinde
seyrettiği dönemler konjonktürün refah dönemidir. Bu dönemde üretimler, satışlar,
gelirler artmaktadır. Bu nedenle diğer sanayilerin, ulaşımın bir girdisi olan petrole
talep artmakta, artan talep sonucunda petrol fiyatları artmaktadır. Petrol fiyatlarının
trendinin altında gelişmesi konjonktürün depresyon dönemini ifade eder. Bu
dönemde ekonomiler daralır, üretim, satışlar azalır, işsizlik artar ve hemen her
üründe talep azalır. Bunun bir neticesi olarak fiyatlar gerilemeye başlar.
4.6.2. Ham Petrol Fiyatlarına Üstel Düzgünleştirme Yöntemlerinin
Uygulanması Ham petrol fiyatlarına herhangi bir matematiksel dönüşüm uygulanmadan,
SPSS 13.0 istatistik paket programı yardımıyla çeşitli üstel düzgünleştirme
yöntemlerine tabi tutulmuşlardır. Sadece Brown’ın yöntemleri SPSS paket
programda yer almaması nedeniyle Excel’de solver kullanılarak denenmiştir. Yıllık
ham petrol fiyatları için uygulanan üstel düzgünleştirme yöntemleri ve hata kareleri
toplamları Tablo-21’de verilmektedir. Tablo-21 incelendiğinde Holt’un iki
190
parametreli üstel trend içeren düzgünleştirme yöntemi en küçük hata kareleri toplamı
değerine sahiptir. Bu en küçük hata kareleri toplamını veren düzgünleştirme
katsayıları serinin genel düzeyi için 0,31 ( )31,0=α , trend bileşeni için 0,89
( 89,0= )γ olarak elde edilmiştir.
Tablo-22: Yıllık Ham Petrol Fiyatları İçin Üstel Düzgünleştirme Yöntemleri
Yöntem Hata Kareleri Toplamı
Basit Üstel Düz. 1884,43
Holt İkili Parametreli Doğrusal Üstel Düz. 861,44
Holt Winters İki Parametreli İkili Üst.Düz.-Üstel Trend 598,71
Yavaşlayan Trend Üstel Düz. 868,09
Brown Tek Parametreli Doğrusal Üstel Düz. 63,0=α 838,36
Brown İkinci Derece Üstel Düz. 37,0=α 736,96
Mevsimlik ham petrol fiyatlarına uygulanan üstel düzgünleştirme yöntemleri
ve hata kareleri toplamları Tablo-23’de gösterilmektedir. Tablo-23 incelendiğinde
Winters’ın Yavaşlayan Trend üstel düzgünleştirme yönteminin hata kareleri toplamı
diğerlerine göre daha küçük olduğundan en uygun yöntemdir. Hata karelerini en
küçük yapan düzgünleştirme katsayıları serinin genel düzeyi için 0,99, mevsim etkisi
için 0,99 ve yavaşlayan trend için 0,47 olarak elde edilmektedir.
Tablo-23: Mevsimlik Ham Petrol Fiyatları İçin Üstel Düzgünleştirme Yöntemleri
Yöntem Hata Kareleri Toplamı
Basit Üstel Düz. 5439,77
Holt İkili Parametreli Doğrusal Üstel Düz. 4968,75
Winters’ın Doğrusal Trend Üstel Düz. 4307,67
Winters’ın Trendsiz Üstel Düz. (Çarpımsal) 4883,22
Winters’ın Üstel Trend Üstel Düz. (Çarpımsal) 4474,44
Winters’ın Yavaşlayan Trend Üstel Düz. (Çarpımsal) 3917,55
Brown Tek Parametreli Doğrusal Üstel Düz. 99,0=α 5484,73
Brown İkinci Derece Üstel Düz. 101,0=α 5649,96
191
Aylık ham petrol fiyatlarına uygulanan üstel düzgünleştirme yöntemleri ve
hata kareleri toplamları Tablo-24’de gösterilmektedir. Tablo-24’ten anlaşılacağı
üzere Winters’ın Yavaşlayan Trend üstel düzgünleştirme yönteminin hata kareleri
toplamı diğerlerine göre daha küçük elde edilmiştir. Bundan dolayı aynı mevsimlik
verilerde olduğu gibi Winters’ın Yavaşlayan Trend üstel düzgünleştirmesi en uygun
yöntemdir. Hata karelerini en küçük yapan düzgünleştirme katsayıları serinin genel
düzeyi için 0,85, mevsim etkisi için 0,01 ve yavaşlayan trend için 0,52 olarak elde
edilmektedir.
Tablo-24: Aylık Ham Petrol Fiyatları İçin Üstel Düzgünleştirme Yöntemleri
Yöntem Hata Kareleri Toplamı
Basit Üstel Düz. 3967,41
Holt İkili Parametreli Doğrusal Üstel Düz. 2736,17
Winters’ın Doğrusal Trend Üstel Düz. 2679,76
Winters’ın Trendsiz Üstel Düz. (Çarpımsal) 3744,31
Winters’ın Üstel Trend Üstel Düz. (Çarpımsal) 2855,41
Winters’ın Yavaşlayan Trend Üstel Düz. (Çarpımsal) 2401,63
Brown Tek Parametreli Doğrusal Üstel Düz. 79,0=α 2771,53
Brown İkinci Derece Üstel Düz. 50,0=α 3392,83
4.6.3. Ham Petrol Fiyatlarının Otoregressif Ve/Veya Hareketli Ortalama
Yöntemiyle İncelenmesi
Yıllık ham petrol fiyatları serisine Otoregressif ve/veya Hareketli Ortalama
Yöntemini (ARMA) uygulayabilmek için seri durağan olmalıdır Serinin durağanlığı
hakkında ya birim kök testleriyle ya da otokorelasyon fonksiyonun grafiği
incelenerek ve otokorelasyon katsayıların testleri yapılarak karar verilebilmektedir.
Serinin korelogramı Grafik-21’de verilmektedir.
192
Grafik-21: Yıllık Ham Petrol Fiyatlarının Korelagramı
Grafik-21’den izlenebileceği gibi 12 gecikmeye19 rağmen otokorelasyon
katsayıları anlamlılıklarını korumaktadır. Dolayısıyla yıllık ham petrol fiyatları serisi
durağan değildir. Durağanlaştırmak için seriye ilk fark alma işlemi uygulanmıştır. İlk
farklar serisinin korelogramı Grafik-22’de verilmektedir.
Grafik-22: Yıllık Ham Petrol Fiyatlarının İlk Farklarına Ait Korelogramı
19 Ki-kare tablo değeri, %5 için 19,68, %1 için 24,73’dür.
193
Korelogramdan anlaşılacağı üzere seri durağan hale gelmiştir. Otokorelasyon
katsayıları hızla sıfıra doğru azalmaktadır. Bu azalışın otokorelasyon fonksiyonunda
mı yoksa, kısmi otokorelasyon fonksiyonunda mı olduğu anlaşılamadığı için çeşitli
ARMA modelleri denenerek, bu modellere ait bilgi kriterleri Tablo-25’de
verilmektedir.
Tablo-25: ARMA Modellerinin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARMA(1,0,0) 7,3280 7,3714 -46,6321 993,51
ARMA(2,0,0) 7,5585 7,6393 -43,3511 965,09
ARMA(0,0,1) 7,2716 7,3173 -49,9015 1022,46
ARMA(0,0,2) 7,3657 7,4570 -49,5600 973,78
ARMA(1,0,1) 5,5252 5,6121 -33,9142 140,42
ARMA(2,0,1) 7,6812 7,8025 -43,0876 923,62
ARMA(1,0,2) 5,6622 5,7926 -33,8047 138,07
ARMA(2,0,2) 7,8527 8,0144 -43,1168 928,12
ARMA(1,0,1) modelinin katsayıları durağanlık ve çevrilebilirlik20 kısıtlarını,
ARMA(2,0,0), ARMA(2,0,1), ARMA(2,0,2), ARMA(1,0,2) modelleri katsayıları
anlamsız, ARMA(0,0,2) modeli de bilgi kriteri yüksek olduğundan ve ARMA(0,0,1)
modeli yüksek hata kareleri toplamı ve düşük olabilirlik değerinden dolayı uygun
model olarak değerlendirilememektedir. ARMA(1,0,0) modeli bilgi kriteri,
katsayıların anlamlılığı ve durağanlık kısıtı birlikte düşünüldüğünde uygun model
olarak belirlenmektedir.
Tablo-26: ARMA(1,0,0) Modeli
Model
ARMA(1,0,0)
Katsayılar Std.Hata t-İstatistiği Olasılık
AR(1) 0,7999 0,03338 2,396 0,0337
20 Invertibility condition.
194
Uygun model olarak belirlenen ARMA(1,0,0) modelinin tahmin hatalarına ait
otokorelasyon katsayıları Grafik-23’te verilmektedir.
Grafik-23: ARMA(1,0,0) Modeline Ait Hataların Korelogramı
Hatalara ait korelogram incelendiğinde herhangi bir anlamlı otokorelasyon
katsayısı bulunmadığından hatalar beyaz gürültü serisidir. Hatalar beyaz gürültü
serisi iken hata terimlerinin kareleri arasındaki otokorelasyon seride koşullu değişen
varyansın (ARCH etkisnin) varlığına işaret etmektedir.
Grafik-24: ARMA(1,0,0) Modeline Ait Hataların Karelerinin Korelogramı
Hataların karelerinin korelogramı incelendiğinde anlamlı otokorelasyon
bulunmadığından hatalar arasında ARCH etkisi mevcut değildir. Hata kareleri
korelogramının yanı sıra Bölüm3’te anlatılan ARCH-LM testiyle de değişen varyans
195
sorunu saptanabilmektedir. Bunun için hata kareleri arasında çeşitli gecikmeler için
ARCH-LM testi sonuçları Tablo-27’de verilmektedir.
Tablo-27: ARMA (1,0,) Modelinin ARCH-LMTest Sonuçları
p 0α 1α 2α 3α 4α LM 2p;05,0χ
1 109,34
(52,9662)
-,6265
(0,8289)
0,6484 3,841
2 160,02
(72,7466)
-0,7749
(0,8893)
-0,7628
(0,8919)
1,7141 5,991
3 188,19
(106,4292)
-0,9447
(0,9975)
-0,9837
(1,0206)
0,0541
(1,0241)
2,2452 7,814
4 247,66
(171,4884)
-1,1688
(1,2639)
-1,1166
(1,2691)
-0,1302
(1,3017)
-0,5117
(1,2918)
2,4509 9,487
ARCH-LM testi sonucunda, LM (=nR2) istatistikleri tablo değerlerinden
küçük ve aynı zamanda p gecikmeli regresyon katsayıları da anlamsız olduğundan
seride değişen varyans sorunu bulunmamaktadır.
2pχ
Mevsimlik ham petrol fiyatları serisinin durağanlığını araştırmak üzere
korelogram çizilmiştir (Grafik-25).
Grafik-25: Mevsimlik Ham Petrol Fiyatlarının Korelagramı
196
Korelogram incelendiğinde uzun gecikmelere rağmen otokorelasyonlar
anlamlılıklarını koruduklarından mevsimlik ham petrol fiyatları serisi durağan
değildir. Seriye ilk fark alma işlemi uygulandıktan sonra otokorelasyon fonksiyonu
tekrar elde edilmiştir (Grafik-26). Korelogramdaki otokorelasyonlar anlamlı
olmadığından mevsimlik ham petrol fiyatları fark alma işleminden sonra durağan
hale gelmiştir. Artık seri üzerinde çeşitli Otoregressif ve/veya Hareketli Ortalama
Yöntemini (ARMA) uygulanabilir.
Grafik-26: Mevsimlik Ham Petrol Fiyatlarının İlk Farklarına Ait Korelogramı
Otokorelasyon ve kısmi otokorelasyon katsayıları hızla sıfıra doğru
azalmaktadır. Bu azalışın otokorelasyon fonksiyonunda mı yoksa, kısmi
otokorelasyon fonksiyonunda mı olduğu anlaşılamadığı için çeşitli ARMA modelleri
denenerek, bu modellere ait bilgi kriterleri Tablo-28’de verilmektedir.
197
Tablo-28: ARMA Modellerinin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARMA(1,0,0) 7,2812 7,3168 -210,1575 4766,54
ARMA(2,0,0) 7,1069 7,1786 -200,5477 3796,88
ARMA(0,0,1) 7,0985 7,1337 -208,4068 4041,20
ARMA(0,0,2) 7,1119 7,1824 -207,8038 3959,43
ARMA(1,0,1) 7,1485 7,2196 -205,3083 4032,58
ARMA(2,0,1) 7,1295 7,2370 -200,1909 3749,64
ARMA(1,0,2) 7,1109 7,2174 -203,2162 3751,92
ARMA(2,0,2) 7,1240 7,2673 -199,0331 3600,36
ARMA(1,0,1), ARMA(2,0,2), ARMA(1,0,2) ve ARMA(2,0,2) modellerinin
katsayıları anlamlı olmadığından uygun model olarak değerlendirilememektedir.
ARMA(0,0,2) modeli yüksek bilgi kriterine, MA(0,0,1) modeli ise düşük LogL ve
yüksek hata karelerine sahip olduğundan uygun model olarak seçilmemiştir.
ARMA(2,0,0) modeli katsayılarının anlamlı ve durağanlık kısıtını sağlaması, bilgi
kriteri (SBC), LogL ve hata kareleri birlikte düşünüldüğünde uygun model olarak
belirlenmektedir (Tablo-29).
Tablo-29: ARMA(2,0,0) Modeli
Model
ARMA(2,0,0)
Katsayılar Std.Hata t-İstatistiği Olasılık
AR(1) 0,6309 0,2218 2,8446 0,0062
AR(2) -0,8304 0,2216 -3,7472 0,0004
Uygun model olarak belirlenen ARMA(2,0,0) modelinin tahmin hatalarına ait
otokorelasyon katsayıları Grafik-27’de verilmektedir.
198
Grafik-27: ARMA(2,0,0) Modeline Ait Hataların Korelogramı
Grafik-27’deki korelogram incelenerek hatalar arasında otokorelasyon
olmadığı anlaşılmaktadır. Dolayısıyla hatalar beyaz gürültü serisidir. ARCH etkisinin
varlığını araştırmak üzere hata karelerinin korelogramı çizilmiştir (Grafik:28).
Korelogramda ikinci gecikmedeki otokorelasyon katsayısının anlamlı olması hatalar
arasında bir ARCH etkisinin varlığına işaret etmektedir. Bu sonucu doğrulamak
amacıyla çeşitli gecikmeler için ARCH-LM testi uygulanarak sonuçları Tablo-30’da
verilmiştir.
199
Grafik-28: ARMA(2,0,0) Modeline Ait Hataların Karelerinin Korelogramı
Tablo-30’daki ARCH-LM testi sonuçlarına göre LM (=nR2) istatistikleri
2.gecikmeden itibaren tablo değerlerinden büyük olmakla beraber, p gecikmeli
regresyon katsayıları anlamsız olduğunda seride değişen varyans sorunu
bulunmamaktadır. Bununla da yetinilmeyip çeşitli ARCH-GARCH modelleri
denenmiş ancak geçerli bir model bulunamamıştır.
2pχ
200
Tablo-30: ARMA (2,0,0) Modelinin ARCH-LMTest Sonuçları
p 0α 1α 2α 3α 4α LM 2p;05,0χ
1 66,77
(32,9677)
-0,0253
(0,2794)
0,0085 3,841
2 -7,26
(12,7720)
-0,0189
(0,1019)
1,9161
(0,1018)
47,9666 5,991
3 -5,73
(13,8433)
0,0216
(0,1448)
1,9184
(0,1038)
-0,1300
(0,3285)
47,1063 7,814
4 -7,61
(14,9148)
-0,0244
(0,1478)
1,8806
(0,1476)
-0,1364
(0,3360)
0,1251
(0,3353)
46,2464 9,487
Aylık ham petrol fiyatları serisinin duarağanlığını araştırmak üzere
korelogram çizilmiştir (Grafik-29).
Grafik-29: Aylık Ham Petrol Fiyatlarının Korelagramı
Korelogram incelendiğinde uzun gecikmelere rağmen otokorelasyonlar
anlamlılıklarını koruduklarından aylık ham petrol fiyatları serisi durağan değildir.
201
Seriye ilk fark alma işlemi uygulandıktan sonra otokorelasyon fonksiyonu tekrar elde
edilmiştir (Grafik-30). Korelogram incelendiğinde bazı gecikmelerde otokorelasyon
katsayıları dışındakilerin güven sınırları içinde kaldığı görülmektedir. Serinin
durağanlığı hakkında kesin karara varılamadığından ikinci fark alma işlemi
gerçekleştirilmeden birim kök testi21 uygulanmıştır. Birim kök testi sonucunda
serinin ilk farkı alındıktan sonra durağanlaştığı anlaşılmaktadır.
Grafik-30: Aylık Ham Petrol Fiyatlarının İlk Farklarına Ait Korelogramı
Korelogramdan görüldüğü üzere otokorelasyonlar sıfıra üstel olarak
yaklaşırken kısmi otokorelasyon katsayıları ilk gecikmeden sonra sıfır çizgisini
kesmektedir. Böyle bir durumda otoregressif bir modelin uygun olacağı
düşünülmektedir. Bununla birlikte çeşitli ARMA modelleri denenerek, bu modellere
ait bilgi kriterleri Tablo-31’da verilmektedir.
21 Ayrıntılı bilgi için, Richard Harris ve Robert Sollis, Applied Time Series Modelling and Forecasting, John Wiley&Sons Ltd, 2003.
202
Tablo-31: ARMA Modellerinin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARMA(1,0,0) 5,4734 5,4913 -486,14 2455,67
ARMA(2,0,0) 5,4899 5,5257 -483,85 2454,22
ARMA(0,0,1) 5,5437 5,5616 -495,17 2649,45
ARMA(0,0,2) 5,5005 5,5361 -490,30 2509,12
ARMA(1,0,1) 5,4843 5,5200 -486,11 2454,73
ARMA(2,0,1) 5,5011 5,5550 -483,85 2454,14
ARMA(1,0,2) 5,4956 5,5492 -486,11 2454,72
ARMA(2,0,2) 5,5223 5,5840 -483,84 2453,69
ARMA(0,0,1) ve ARMA(0,0,2) yüksek bilgi kriterlerine sahip olduklarından
dolayı uygun modeller değildir. ARMA(2,0,0), ARMA(1,0,1), ARMA(2,0,1),
ARMA(1,0,2), ARMA(2,0,2) modellerinin katsayıları anlamlı olmadığından tahmin
modeli olarak değerlendirilememektedir. ARMA(1,0,0) modeli katsayılarının anlamlı
ve durağanlık kısıtını sağlaması ve düşük bilgi kriterine (SBC) sahip olması
nedeniyle uygun model olarak belirlenmektedir. Uygun model olarak belirlenen
ARMA(1,0,0) modelinin tahmin hatalarına ait otokorelasyon katsayıları Grafik-31’de
verilmektedir.
203
Grafik-31: ARMA(1,0,0) Modeline Ait Hataların Korelogramı
Grafik-29’daki korelogramdan görüldüğü üzere anlamlı otokorelasyon
katsayıları bulunmamaktadır. Dolayısıyla hatalar beyaz gürültü serisidir. Hataların
otokorelasyon katsayıları anlamsız olmakla birlikte güven sınırına oldukça yakındır.
Bu yüzden hatalar arasında ARCH etkisinin varlığını düşünülmektedir. ARCH
etkisinin varlığını araştırmak üzere hata karelerinin korelogramı çizilmiştir
(Grafik:32).
204
Grafik-32: ARMA(1,0,0) Modeline Ait Hataların Karelerinin Korelogramı
Korelogramda ikinci, üçüncü ve beşinci gecikmedeki otokorelasyon
katsayılarının anlamlı olması hatalar arasında bir ARCH etkisinin varlığına işaret
etmektedir. Bu sonucu doğrulamak amacıyla çeşitli gecikmeler için ARCH-LM testi
uygulanarak sonuçları Tablo-32’de verilmektedir.
205
Tablo-32: ARMA (1,0,0) Modelinin ARCH-LMTest Sonuçları
p 0α 1α 2α 3α 4α LM 2p;05,0χ
1 12,62
(3,3308)
0,0904
(0,0753)
1,4470 3,841
2 9,27
(3,3432)
0,0612
(0,0730)
0,2945
(0,0763)
15,2514 5,991
3 5,02
(3,0240)
-0,0874
(0,0678)
0,2991
(0,0675)
0,5232
(0,0735)
51,6689 7,814
4 5,41
(3,0629)
-0,0511
(0,0772)
0,3207
(0,0711)
0,5118
(0,0746)
-0,0837
(0,0839)
52,0331 9,487
Tablo-32’deki ARCH-LM testi sonuçlarına göre LM (=nR2) istatistikleri
2.gecikmeden itibaren tablo değerlerinden büyük olmakla beraber, p gecikmeli
regresyon katsayılarından bazıları anlamsız olduğundan seride değişen varyans
sorunu olmayabilir. Koşullu değişen varyans sorununundan emin olmak için çeşitli
ARCH-GARCH modelleri denenmiş ve modellere ait bilgi kriterleri Tablo-33’de
verilmektedir.
2pχ
Tablo-33: Koşullu Değişen Varyans Modellerinin Bilgi Kriterleri
Model AIC SBC Log L HKT
ARMA(1,0,0) ARCH(1) 5,1871 5,2407 -458,64 3801,74
ARMA(1,0,0) ARCH(2) 5,0385 5,1099 -444,42 2874,78
ARMA(1,0,0) ARCH(3) 4,7019 4,7912 -413,47 2650,79
ARMA(1,0,0) GARCH(1,1) 4,6697 4,7412 -411,60 2895,86
ARMA(1,0,0) GARCH(2,1) 4,6587 4,7481 -409,62 2845,92
ARMA(1,0,0) GARCH(2,2) 4,6674 4,7747 -409,40 2832,98
ARMA(1,0,0) EGARCH(1,1) 4,6351 4,7244 -407,52 2888,94
ARMA(1,0,0) EGARCH(2,1) 4,6139 4,7390 -403,64 2785,95
ARMA(1,0,0) EGARCH(2,2) 4,6059 4,7489 -401,92 2739,13
ARMA(1,0,0) TGARCH(1,1) 4,6406 4,7300 -408,01 2858,26
ARMA(1,0,0) TGARCH(2,1) 4,6516 4,7589 -407,99 2858,94
ARMA(1,0,0) TGARCH(2,2) 4,6394 4,7645 -405,90 2810,00
206
Varyansı modellemek için simetrik ve asimetrik koşullu değişen varyans
modelleri denenmiştir. Tüm denemelerde ARMA(1,0,0) koşullu ortalama modelidir.
Denemeler sonucunda; ARCH(2) modeli hem katsayılarının anlamlı olması hem de
pozitiflik kısıtını sağlaması nedeniyle uygun model olarak belirlenmektedir.
GARCH(1,1) modelinin katsayıları pozitiflik kısıtını sağlamadığından ve diğer tüm
modellerin katsayıları anlamlı olmadığından varyansın modellenmesinde uygun
değildir. Uygun model olarak belirlenen ARCH(2)’nin katsayıları aşağıda
verilmektedir (Tablo-34).
Tablo-34: ARMA(1,0,0), ARCH(2) Modeli
ARMA(1,0,0) ortalama modelinin katsayı anlamlı ve aynı zamanda
durağanlık koşulunu sağlamaktadır. ARCH(2) modelinin katsayıları %5 anlamlılık
düzeyinde sıfırdan farklıdır. Modelin katsayılarının tamamı sıfırdan büyük ve
ARCH’a ait katsayıların toplamı (0,201336+0,582961=0,784297) 1’den küçüktür.
Böylece ARCH modellerin pozitiflik ve durağanlık kısıtı sağlanmaktadır. t
207
zamandaki koşullu varyans geçmişteki hata terimlerinin ortalaması, bir önceki ve
ikinci önceki dönem varyanslarının ağırlıklı ortalaması olarak elde edilmektedir.
ARMA(1,0,0), ARCH(2) modeli ile aylık ham petrol fiyatlarındaki değişen
varyans sorunun ortadan kalkıp kalkmadığı ARCH-LM testi ile araştırılmıştır.
ARCH-LM testine ait sonuçlar Tablo-35’de gösterilmektedir.
Tablo-35: ARMA (1,0,0) ARCH(2) Modelinin ARCH-LMTest Sonuçları
p 0α 1α 2α 3α 4α LM 2p;05,0χ
1 1,0912
(0,1724)
-0,0856
(0,0752)
1,300 3,841
2 1,1354
(0,1922)
-0,0896
(0,0759)
-0,0357
(0,0761)
1,5454 5,991
3 0,9660
(0,2093)
-0,0852
(0,0755)
-0,0229
(0,0759)
0,1578
(0,0756)
5,8779 7,814
4 0,8542
(0,2212)
-0,1064
(0,0763)
-0,0211
(0,0757)
0,1672
(0,0757)
0,1293
(0,0763)
8,628 9,487
Dört gecikme için yapılan ARCH-LM testine göre LM istatistik değerleri
tablo değerlerinde küçük ve aynı zamanda regresyon denkleminin katsayıları anlamlı
olmadığından serideki ARCH etkisi ortadan kaldırılmıştır.
208
Sonuç Geleceğe ait olayların tahmin edilmesi karar verme teorisinin bir parçası
haline gelmesinden itibaren pek çok işletme için tahmin çok önemli olmuştur.
Hükümetler hava kirliliğini, su kirliliğini tahmin ederek bir çevre politikası, nüfus
büyüklüğü, işsizlik oranı, enflasyon oranı vb tahmin ederek sosyo-ekonomik bir
politika belirlemeye çalışırlar. Bir işletme ise satışlarını, maliyetleri, karını, insan
kaynakları gereksinimini tahmin ederek rasyonel kararlar almayı amaçlar.
Dolayısıyla ister hükümet ister işletme olsun rasyonal kararlar için geçerli ve tutarlı
tahminler yapmak zorundadır.
Belirsiz olan gelecek hakkında karar vermek oldukça güçtür. Karar alma
aşamasında olan her yönetici gelecekte ne olacağını bilmek ve buna göre politikalar
uygulamak ister. Bu gereksinim ekonometrik modellemenin hızla gelişmesine neden
olmuştur.
Geleneksel ekonometrik yaklaşımda otokorelasyon ve değişen varyans
sorunlarıyla karşılaşmak her zaman mümkündür. Özellikle iktisadi ve finansal
zaman serileri geçmiş dönem değerlerine çok sıkı bağımlıdır. Bu tür seriler dinamik
yapı bir sergilerler. Bu dinamik yapı içerisinde değişkenin ortalamasının, varyansının
sabit kalması beklenemez. Değişkenlerin özelliklerindeki bu değişmeler nedeniyle
geleneksel yöntemler yetersiz kalmaktadır.
Bir işletme yöneticisi gelecek hakkında plan yaparken mutlaka gelecekle ilgili
tahmine dayanır. İşletmelerde tahmin edilecek değişkenler hem işletme içi (satış,
maliyet, hammadde, ara malı, ve enerji fiyatları, işgücü vb.) hem de işletme dışı
(gelir, nüfus, faiz oranı, enflasyon vb.) olabilmektedir. İşletme içi değişkenler kontrol
edilebilirken, işletme dışı değişkenleri kontrol etmek mümkün değildir. Ancak her iki
değişken grubu planlamada önemli rol oynamaktadır. Bu nedenle tez çalışmasında
incelenen Tüpraş’ın satış rakamları (işletme içi) ile önemli girdisi olan ham petrol
fiyatlarının (işletme dışı) zaman serileri yöntemleriyle tahmin edilmesi
hedeflenmiştir. Satışlar, yıllık ve üçer aylık olarak, petrol fiyatları yıllık, mevsimlik
ve aylık verilere dayanmaktadır.
İlk önce işletmenin yıllık ve üçer aylık satışları bileşenlere ayrılmıştır. En
önemli bileşen olan trend her iki seride de hiperbolik dönüşümden sonra doğrusal
209
trend ile temsil edilmektedir. Bir diğer bileşen olan konjonktür satışlar üzerinde etkili
olmaktadır. Satışlar konjonktürün refah evresinde trendinin üzerinde, depresyon
dönemlerinde ise trendinin altında kalmıştır. Son yıllardaki konjonktür etkisine
baktığımızda, konjonktürde refah döneminin sona ermek üzere olduğu görülmektedir
(Grafik-3). Bundan sonra depresyon dönemi olup talepte ve dolayısıyla satışlarda bir
azalma görülebilir. Özellikle konjonktürün depresyon döneminde gelirlerin azalması;
motorlu taşıtlara ve seyahate olan talebi kısıtlayacaktır. Tüpraş konjonktürün
depresyon dönemine girilmek üzere olduğunu gözeterek geleceğini planlamada
dikkate almalıdır.
Tüpraş’ın satışlarında I. ve II. Dönem satışlarında mevsim etkisinden
kaynaklanan bir düşüş beklenmelidir. III. ve IV. çeyrekte (III. çeyrekte daha
kuvvetli) ise mevsim etkisi satışlar üzerinde olumlu katkı yapmaktadır.
Yıllık seride Holt’un iki parametreli üstel düzgünleştirmesi, üçer aylık
serilerde ise Winters’ın doğrusal trend üstel düzgünleştirme yöntemi uygun model
olarak bulunmuştur. Winters yönteminin diğer üstel düzgünleştirme yöntemlerinden
daha iyi çıkması satışlar üzerinde mevsim etkisinin varlığını işaret etmektedir.
Tüpraş üçer aylık satış tahminleri yaparken mevsim etkisini mutlaka dikkate
almalıdır.
Yıllık seride ARMA(0,0,1), üçer aylık satışlarda ise ARIMA(0,1,0)(0,1,1)
uygun tahmin modeli olarak saptanmıştır. Bu modellerin tahminlerde kullanılması
için öncelikli olarak serilerde durağanlığın araştırılması, şayet durağanlık sağlanırsa
tahmin yapılmalıdır.
Satışlarda oynaklık olup olmadığını araştırmak üzere ARCH-LM testi
yapılmış, test sonucunda oynaklık saptanamamıştır. Ancak burada dikkat edilmesi
gereken nokta serilerin yıllık ve üçer aylık gibi düşük frekanslı olmaları ve
günlüklerin toplamı şeklinde oluşturulduğuna dikkat edilmelidir. Yüksek frekanslı
(günlük gibi) satış serilerinde oynaklığın varlığı bilinen yöntemlerle araştırılmalıdır.
Tüpraş’ın 2008 yılı gerçekleşen net satışları henüz açıklanmadığından yıllık
tahminler karşılaştırılamamaktadır. Üçer aylık net satışların trend fonksiyonu ile elde
edilen tahmin değerleri mevsim indeksi ile düzeltilmiş ve 1994=100 bazlı TEFE
indeks değerleri kullanılarak cari fiyatlara dönüştürülmüştür. 2008 yılının ilk üç
çeyrek dönemi için tahmin edilen değerler sırasıyla 5.730.248 Bin TL, 6.852.463 Bin
210
TL, 8.197.833 Bin TL olup bu dönemler için gerçekleşen değer ise sırasıyla
6.033.128 Bin TL, 9.067.338 Bin TL ve 9.514.863 Bin TL’dir. Trend fonksiyonu ile
yapılan tahminler gerçekleşen değerlerin altında kalmıştır.
Üçer aylık net satışlar için Winters’ın Üstel düzgünleştirme yöntemi uygun
bulunmuştu. Bu yöntemle yapılan tahminler TEFE ile cari fiyatlara
dönüştürüldükteden sonra birinci üç ay için 5.750.905 Bin TL, ikinci üç ay için ise
7.021.455 Bin TL olup söz konusu dönemlerde gerçekleşen net satışların altında
kalmıştır. Üçüncü üç ay için tahmin değeri 10.058.649 Bin TL ile gerçekleşen
satışların üzerindedir.
ARIMA(0,1,0)(0,1,1) modelinin üçer net satışları cari fiyatlarla ilk çeyrek
için 6.078.428, ikinci çeyrek için 7.154.030 ve üçüncü çeyrek için 7.821.617’dir.
gerçekleşen değerlerle kıyaslandığında birinci ve ikinci çeyrek tahmini diğer
yöntemlere göre daha iyi iken, üçüncü çeyrek tahmini diğer yöntemlerden daha
kötüdür. Winters’ın Üstel düzgünleştirme yönteminden elde edilen tahminler trend
fonksiyonundan elde edilenlere göre gerçeğe daha yakındır.
Tez çalışmasında kullanılan bir diğer değişken ham petrol fiyatlarıdır. 1 Ocak
1994-31 Aralık 2008 dönemindeki günlük ham petrol fiyatlarından yıllık ortalama,
mevsimlik ortalama ve aylık ortalama olmak üzere üç seri türetilmiştir. Yıllık,
mevsimlik ve aylık ham petrol fiyatları bileşenlerine ayırma yönteminde en önemli
bileşen olan trend ikinci derece bir fonksiyonla temsil edilmektedir. Mevsimlik ve
aylık ham petrol fiyatlarında çok önemli mevsim etkisi gözlenmemektedir. Buna
karşılık ham petrol fiyatlarında konjonktür ve arızi faktörlerin önemli bir rol oynadığı
anlaşılmaktadır. İncelenen dönemde 1994-1998, 1999-2002 ve 2003-2008 olmak
üzere üç konjonktür devresi saptanmıştır.
Yıllık verilerde Holt’un İki Parametreli üstel trend içeren yöntemi diğer üstel
düzgünleştirme yöntemlerinden daha küçük hata kareleri toplamı vermektedir.
Mevsimlik ve aylık verilerde ise Winters’ın Yavaşlayan Trend yöntemi hata kareleri
toplamı en küçük olduğundan diğer üstel düzgünleştirme yöntemlerine tercih
edilmektedir.
Yıllık, mevsimlik ve aylık ham petrol fiyatlarında ilk farklar alınarak
durağanlık sağlanmıştır. Durağanlığın sağlanmasından sonra yıllık verilerde
ARMA(1,0,0), mevsimlik verilerde ARMA(2,0,0) ve aylık verilerde ARMA(1,0,0)
211
tahmin modelleri olarak belirlenmiştir. Yıllık ve mevsimlik verilerde ARCH-LM
testi sonucunda değişen varyans sorunu saptanmamıştır. Aylık verilerde ise ARCH-
LM testi sonucunda değişen varyans sorunu saptandığından koşullu değişen varyans
modelleri denenmiştir. Koşullu ortalama modeli olarak ARMA(1,0,0) belirlendikten
sonra ARCH(2) koşullu varyansın modellenmesinde uygun olmaktadır.
İkinci derece trend fonksiyonu kullanılarak 2009 yılı Ocak ayının ham petrol
fiyatı mevsim düzeltmesinden sonra 94,03 Dolar olarak tahmin edilmiştir. Ocak ayı
için gerçekleşen fiyat ise 41,71 Dolar olup tahmin oldukça kötüdür. Winters’ın
yavaşlayan trend üstel düzgünleştirme yöntemiyle elde edilen tahmin değeri 37,09
Dolar olup gerçek değere oldukça yakındır. ARMA modeli ile 2009 yılı Ocak ayı
tahmini değeri 36,35 Dolar olup Winters’dan sonra ikinci iyi tahmindir. Aylık ham
petrol fiyatlarının Winters’ın yavaşlayan trend yöntemi ile tahmin edilebileceği
söylenebilir. Ancak unutulmamalıdır ki zaman serileri dinamik bir süreç olduğundan
tahmin modelini daima kontrol etmek gerekmektedir.
212
Kaynakça
Akdi, Yılmaz, Zaman Serileri Analizi; Birim Kökler ve Kointegrasyon, Bıçaklar
Kitebevi, Ankara, 2003.
Akgüç, Öztin, Finansal Yönetim, Avcıol Basım-Yayın, 7.Baskı, İstanbul. 1998.
Akgül, Işıl Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları,
İstanbul, 2003.
Akgül Işıl, Geleneksel Zaman Serisi Yöntemleri, Der Yayınları, İstanbul, 2003.
Akın, Fehamet, Ekonometri, Ekin Kitabevi, Bursa, 2002.
Akkaya, Şahin, ve Pazarlıoğlu, M.Vedat, Ekonometri II, Erkam Matbaacılık,
2.Baskı, 1998.
Aydemir, Abdurrahman Bekir, Volatility Modelling in Finance, Forecasting
Volatility in The Financial Markets, Buttrworth-Heinemann, 1998, s.7.
Bollerslev, Tim ve Engle, Robert F., “Common Persistence in Conditional
Variances”, Econometrica, Cilt:61, No:1, Ocak 1993, s.167-186.
Bollerslev, Tim, Engle, Robert F. ve Nelson, Daniel B., “ARCH Models”,
Handbook of Econometrics, Cilt:.IV., Elsevier Science, 1994., s.2968.
Bowerman, Bruce L.ve O’Connell, Richard T., Forecasting And Time Series: An
Applied Approach, Third Edition, Duxbury Press, 1993.
Box, George E.P., Jenkins, Gwilym M. ve Reinsel, Gregory C., Time Series
Analysis: Forecasting and Control, Third Edition, Prentice Hall, 1994.
213
Bozkurt, Hilal Zaman Serileri Analizi, Ekin kitabevi, Bursa, 2007.
Brooks, Chris, Introductory Econometrics for Finance, Cambridge University
Press, 2002, s. .257.
Chatfield, Chris, Time-Series Forecasting, Chapman&Hall/CRC, 2000.
Chatfield, Chris, The Analysis of Time Series: An Introduction, Fifth Edition,
Chapman&Hall, 1996.
Daly, Kevin “Financial Volatility:Issues and Measuring Techniques”, Physica A:
Statistical Mechanics and its Applications, Cilt:387, Sayı:11, 15 Nisan 2008,
s.2377-2393
Deriş, Füsun, “Ekonomik Zaman Serilerindeki Mevsellik ve Alternatif Modelleme
Yaklaşımları”, Marmara Üniversitesi Sosyal Bilimler Enstitüsü Öneri Dergisi,
Cilt:6, Yıl:11, Sayı:22, Haziran 2004, s.305-317.
Enders, Walter, Applied Econometric Time Series, John Wiley&Sons Inc., 1995.
Engle, Robert F., “Autoregressive Conditional Heteroscedasticity with Estimates of
the Variance of United Kingdom Inflation”, Econometrica, Cilt:50, No:4, Haziran
1982, s.987-1007.
Engle, Robert F. ve Ng, Victor K., “Measuring and Testing the Impact News on
Volatility”, The Journal Finance, Cilt:48, No:5, Aralık 1993, s.1749-1778.
Franses, Philip Hans, Time Series Models For Business and Economis
Forecasting, Cambridge University Press, 1998.
214
Gouriéroux, Christian ARCH Models and Financial Applications, Springer-Verlag
New York, Inc., 1997.
Göktaş, Özlem, Teorik ve Uygualamalı Zaman Serileri Analizi, Beşir Kitabevi,
İstanbul, 2005.
Gürtan, Kenan, İstatistik ve Araştırma Metodları, Fatih &Yayınevi Matbaası,
İstanbul, 1977.
Harris, Richard ve Sollis, Robert, Applied Time Series Modelling and Forecasting,
John Wiley&Sons Ltd, 2003.
Işığıçok, Erkan, Zaman Serilerinde Nedensellik Çözümlemesi: Türkiye’de Para
Arzı ve Enflasyon Üzerine Amprik Bir Araştırma, Uludağ Üniversitesi Basımevi,
Bursa, 1994.
Işığıçok, Erkan, “Türkiye’de Enflasyonun Varyansının ARCH ve GARCH Modelleri
ile Tahmini”, Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,
Cilt:17, No:3, 1999, s.1-14.
İdil, Orhan, Yönetimde İstatistik Teknikler ve Örnek Olaylar, İstanbul
Üniversitesi Basımevi ve Film Merkezi Müdürlüğü, III.Baskı, İstanbul, 1994.
İsmail Hakkı Armutlulu, İşletmelerde uygulamalı İstatistik, Alfa Yayınları,
İstanbul, 2000. s.282
Kadılar, Cem, SPSS Uygulamalı Zaman Serileri Analizine Giriş, Bizim Büro
Basımevi, Ankara, 2005.
Kargı, Nihal ve Terzi, Harun, Türkiye’de İMKB, Enflasyon, Faiz Oranı ve Reel
Sektör Arasındaki Nedensellik İlişkilerinin VAR Modeli ile Belirlenmesi, İMKB
Dergisi, Yıl:1, Sayı:4, Ekim-Aralık 1997.
215
Kaynak, Tuğray, ve diğerleri, İnsan Kaynakları Yönetimi, İ.Ü. İşletme Fakültesi
İşletme İktisadı Enstitüsü Yayın No:406, İstanbul, 1998.
Kiser, Clyde V., “Lowell J. Reed (1886-1966)”, Population Index, Cilt:32, No:3,
Temmuz 1966, p.362-365.
Kobu, Bülent, Üretim Yönetimi, Avcıol Basım-Yayın, 10.Baskı, İstanbul, 1999.
Koçel, Tamer, İşletme Yöneticiliği:Yönetim ve Organizasyon,
Organizasyonlarda Davranış, Klasik-Modern-Çağdaş ve Güncel Yaklaşımlar,
8.Baskı, Beta Basım Yayım Dağıtım, İstanbul, 2001.
Kutlar, Aziz, Uygulamalı Ekonometri, Nobel Yayın Dağıtım, Ankara, 2005.
Makridakis, Spyros, Wheelwright, Steven C. ve Hyndman, Rob J., Forecasting
Methods and Applications, Third Edition, John Wiley&Sons.Inc., 1998.
Makridakis, Sypros ve Hibon, Michéle, “ARMA Models and the Box-Jenkins
Methodology”, Journal of Forecasting, Cilt:16, No:3, 1997, s.147-163.
Mills, Terence C., Time Series Techniques for Economics, Cambridge Uiversity
Press, 1998.
Mitra, Sharmishtha ve Mitra, Amit, “Modeling Exchange Rates Using Wavelet
Decomposed Genetic Neural Networks”, Statistical Methodology, Cilt:3, Sayı:2,
Nisan 2006, s.103-124.
Mucuk, İsmet, Modern İşletmecilik, Türkmen Kitabevi, 15.Baskı, İstanbul, 2005.
Nelson, Charles R., Applied Time Series Analysis For Managerial Forecasting,
Holden Day, Inc., 1973.
216
Newbold, Paul Statistics For Business and Economics, Fouth Edition, Prentice
Hall, 1995.
Orhunbilge, Neyran, Tanımsal İstatistik Olasılık ve Olasılık Dağılımları, Avcıol
BasımYayın, İstanbul, 2000.
Orhunbilge, Neyran, Zaman Serileri Analizi Tahmin ve Fiyat İndeksleri, Tunç
Matbaacılık, İstanbul, 1999.
Orhunbilge, Neyran, Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. Basım ve
Yayınevi, İstanbul, 2002.
Özalp, İnan ve diğerleri, Yönetim ve Organizasyon, Anadolu Üniversitesi
Açıköğretim Fakültesi Yayın No:521, 3.Baskı, 1997.
Özdamar, Kazım, Paket Programlar İle İstatistiksel Veri Analizi 1, 4.Baskı, Kaan
Kitabevi, İstanbul, 2002.
Pankratz, Alan, Forecasting with Dynamic Regression Models, John Wiley&Sons
Inc. 1991.
Rabemananjara, R. ve Zakoin, J.M., “Threshold ARCH Models and Asymmetries in
Volatility”, Journal of Applied Econometrics, Cilt:8, Sayı:1, Ocak-Mart 1993,
s.31-49.
Sevüktekin, Mustafa, ve Nargeleçekenler, Mehmet, Zaman Serileri Analizi, Nobel
Yayın Dağıtım, Ankara, 2005.
Sherman, Jack ve Morrison, Winifred J., “Simplified Procedures For Fitting A
Gompertz Curve And A Modified Exponential Curve”, Journal of The American
Statistical Association, Cilt:45, No:249, Mart 1950, s.87-96.
217
Stoner, Paul Matthew, “Fitting The Exponential Function And The Gompertz
Function By The Method of Least Squares”, Journal of the American Statistical
Association, Cilt:36, No:216, Aralık 1941, s.515-518.
Studenmund, A.H., Using Econometrics: A Practical Guide, Third Edition,
Addison-Wesley, 1997.
Tarı, Recep, ve Bozkurt, Hilal, Türkiye’de İstikrarsız Büyümenin VAR Modelleri
İle Analizi, İstanbul Üniveristesi İktisat Fakültesi İstatistik ve Ekonometri
Dergisi, Sayı:4, 2006, s.13.
Tatlıdil, Hüseyin, Uygulamalı Çok Değişkenli İstatistiksel Analiz, Akademi
Matbaası, Ankara, 1996.
Teletar, Erdinç ve Binay, H.Soner “İMKB Endeksinin PARCH Modellemesi”,
Akdeniz İ.İ.B.F. Dergisi (3), 2002, p.114-121.
Thomas, R.L., Modern Econometrics, Addison Wesley Longman, 1997.
Tsay, Ruey S., Analysis of Financial Time Series, John Wiley&Sons.Inc., 2002.
Ucal, Meltem Şengül, “Ekonometrik Model Seçim Kriterleri Üzerine Kısa Bir
İnceleme”, C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt:7, Sayı:2, 2006, s.41-57.
Wang, Peijie, Financial Econometrics Methods and Models, Routledge, 2003.
Wei, William W.S., Time Series Analysis: Univariate and Multivariate Methods,
Second Edition, Addison-Wesley, 2006.
218
Winsor, Charles P., “The Gompertz Curve As A Growth Curve”, Proceeding of The
National Academy of Sciences, Cilt:18, No:1, 15 Ocak, 1932, s.1-12.
Yamak, Nebiye, ve Yamak, Rahmi, “Tüketici Fiyat Serilerinde Mevsimselliğin Türü
ve Boyutu”, Uludağ Üniversitesi İİBF Dergisi, Cilt:16 No:2, 1998.s.1-10.
Tüpraş Kurumsal Sosyal Sorumluluk Raporu 2007, çevrimici:tüpras.com.tr. ziyaret:
25.10.2008
Çevrimiçi: http://www.oib.gov.tr/portfoy/tupras/tupras_index.htm. ziyaret 25 Eylül
2008.
219
Ek 1 Tezde Kullanılan Veriler TÜPRAŞ’ın Üçer Aylık Satışalrı (Bin TL-Sabit Fiyatlarla) Yıl Dönem TEFE 1994=100 Net Satışlar
1994 1 66.67 16402.501994 2 97.80 20084.871994 3 108.50 25705.991994 4 127.03 23645.761995 1 158.43 20454.661995 2 179.37 21174.501995 3 191.83 22947.001995 4 214.47 22331.681996 1 260.40 21908.221996 2 310.80 24279.281996 3 342.27 27835.611996 4 395.67 29249.621997 1 463.10 25924.641997 2 542.03 24312.341997 3 627.13 27115.291997 4 747.77 25028.531998 1 876.40 20305.111998 2 975.00 18750.771998 3 1055.73 20983.991998 4 1182.53 20859.791999 1 1304.17 18561.661999 2 1463.60 22244.471999 3 1621.20 27590.551999 4 1870.77 29021.042000 1 2173.37 34501.132000 2 2328.80 35340.302000 3 2403.93 46340.102000 4 2573.30 50071.972001 1 2826.47 37613.532001 2 3652.00 44927.302001 3 4085.60 46665.532001 4 4757.23 36616.072002 1 5278.27 26252.792002 2 5521.97 29747.162002 3 5862.70 40170.232002 4 6335.47 37471.572003 1 7059.40 36237.392003 2 7332.07 28234.032003 3 7175.40 31166.352003 4 7310.57 30036.672004 1 7713.10 26326.442004 2 8040.33 31634.122004 3 7951.60 41881.702004 4 8375.53 42775.14
220
Yıl Dönem TEFE 1994=100 Net Satışlar 2005 1 8386.19 43762.392005 2 8666.74 42274.662005 3 8803.40 49281.032005 4 8866.68 47058.922006 1 8980.69 39374.972006 2 9473.72 57541.482006 3 9839.13 62538.882006 4 9820.46 50530.632007 1 9891.58 44774.342007 2 10089.13 56216.722007 3 10193.53 60198.002007 4 10344.14 60740.88
TEFE; Toptan Eşya Fiyat Endeksi
221
Yıllık Ham Petrol Fiyatları (Dolar/Varil)
Yıllar Ham Petrol Fiyatları
(Dolar/Varil) 1994 15,79 1995 16,96 1996 20,50 1997 19,30 1998 12,92 1999 17,52 2000 28,66 2001 24,61 2002 24,77 2003 28,85 2004 38,11 2005 54,28 2006 65,19 2007 71,69 2008 98,66
222
Mevsimlik Ham Petrol Fiyatları (Dolar/Varil)
Yıllar Dönem Ham Petrol Fiyatları
(Dolar/Varil) Yıllar DönemHam Petrol Fiyatları
(Dolar/Varil) 1994 1 13,91 2001 3 25,66 1994 2 15,73 2001 4 19,82 1994 3 16,89 2002 1 20,56 1994 4 16,61 2002 2 25,07 1995 1 16,72 2002 3 26,55 1995 2 18,19 2002 4 26,72 1995 3 16,22 2003 1 31,76 1995 4 16,75 2003 2 26,12 1996 1 18,32 2003 3 28,48 1996 2 19,69 2003 4 29,15 1996 3 20,46 2004 1 31,77 1996 4 23,49 2004 2 35,33 1997 1 21,76 2004 3 40,33 1997 2 18,22 2004 4 44,83 1997 3 18,34 2005 1 46,48 1997 4 19,01 2005 2 51,34 1998 1 14,39 2005 3 61,09 1998 2 13,53 2005 4 57,60 1998 3 12,18 2006 1 61,17 1998 4 11,63 2006 2 68,99 1999 1 10,96 2006 3 70,88 1999 2 15,24 2006 4 59,43 1999 3 19,94 2007 1 57,48 1999 4 23,78 2007 2 67,94 2000 1 26,93 2007 3 74,23 2000 2 26,33 2007 4 87,00 2000 3 30,66 2008 1 95,65 2000 4 30,62 2008 2 118,41 2001 1 25,79 2008 3 119,09 2001 2 27,02 2008 4 61,33
223
Aylık Ham Petrol Fiyatları (Dolar/Varil)
Yıllar Aylar Ham Petrol Fiyatları
(Dolar/Varil) Yıllar Aylar Ham Petrol Fiyatları
(Dolar/Varil) 1994 1 13,92 1997 1 23,77 1994 2 14,20 1997 2 21,82 1994 3 13,65 1997 3 19,50 1994 4 14,65 1997 4 17,85 1994 5 16,02 1997 5 18,58 1994 6 16,43 1997 6 18,22 1994 7 17,46 1997 7 18,13 1994 8 17,46 1997 8 18,73 1994 9 15,81 1997 9 18,19 1994 10 16,31 1997 10 19,76 1994 11 17,16 1997 11 19,30 1994 12 16,31 1997 12 17,90 1995 1 16,25 1998 1 15,63 1995 2 17,02 1998 2 14,64 1995 3 16,89 1998 3 12,99 1995 4 18,19 1998 4 13,58 1995 5 18,63 1998 5 14,12 1995 6 17,74 1998 6 12,98 1995 7 16,15 1998 7 11,82 1995 8 15,98 1998 8 12,03 1995 9 16,53 1998 9 12,71 1995 10 16,25 1998 10 13,35 1995 11 16,62 1998 11 11,51 1995 12 17,48 1998 12 9,96 1996 1 18,26 1999 1 10,81 1996 2 17,45 1999 2 10,48 1996 3 19,25 1999 3 11,51 1996 4 21,02 1999 4 14,59 1996 5 19,53 1999 5 15,72 1996 6 18,52 1999 6 15,41 1996 7 19,40 1999 7 18,13 1996 8 20,02 1999 8 19,95 1996 9 22,06 1999 9 21,74 1996 10 23,82 1999 10 22,43 1996 11 23,03 1999 11 23,47 1996 12 23,59 1999 12 25,52
224
Aylık Ham Petrol Fiyatları (Dolar/Varil)
Yıllar Aylar Ham Petrol Fiyatları
(Dolar/Varil) Yıllar Aylar Ham Petrol Fiyatları
(Dolar/Varil) 2000 1 25,05 2003 1 31,00 2000 2 27,33 2003 2 32,12 2000 3 28,27 2003 3 32,21 2000 4 23,28 2003 4 25,84 2000 5 25,83 2003 5 25,05 2000 6 29,31 2003 6 27,46 2000 7 30,00 2003 7 28,15 2000 8 28,44 2003 8 29,40 2000 9 33,76 2003 9 27,91 2000 10 30,83 2003 10 28,95 2000 11 31,94 2003 11 28,79 2000 12 28,86 2003 12 29,67 2001 1 24,69 2004 1 31,06 2001 2 27,73 2004 2 30,52 2001 3 25,14 2004 3 33,39 2001 4 24,93 2004 4 33,28 2001 5 27,59 2004 5 36,43 2001 6 28,50 2004 6 36,33 2001 7 25,31 2004 7 36,61 2001 8 25,19 2004 8 42,13 2001 9 26,61 2004 9 42,17 2001 10 21,33 2004 10 48,57 2001 11 19,36 2004 11 45,75 2001 12 18,53 2004 12 40,20 2002 1 19,49 2005 1 42,59 2002 2 19,93 2005 2 44,85 2002 3 22,30 2005 3 51,43 2002 4 25,21 2005 4 52,38 2002 5 26,01 2005 5 49,58 2002 6 23,86 2005 6 52,02 2002 7 25,59 2005 7 57,22 2002 8 26,24 2005 8 61,93 2002 9 27,96 2005 9 63,90 2002 10 28,34 2005 10 60,07 2002 11 24,87 2005 11 56,92 2002 12 26,63 2005 12 55,91
225
Aylık Ham Petrol Fiyatları (Dolar/Varil)
Yıllar Aylar Ham Petrol Fiyatları
(Dolar/Varil) 2006 1 60,98 2006 2 61,62 2006 3 60,94 2006 4 67,61 2006 5 70,91 2006 6 68,23 2006 7 72,77 2006 8 74,33 2006 9 65,21 2006 10 58,50 2006 11 58,04 2006 12 62,12 2007 1 55,58 2007 2 56,42 2007 3 60,34 2007 4 66,62 2007 5 66,75 2007 6 70,43 2007 7 75,43 2007 8 72,77 2007 9 74,59 2007 10 80,28 2007 11 90,72 2007 12 90,84 2008 1 92,61 2008 2 92,83 2008 3 102,29 2008 4 106,40 2008 5 119,20 2008 6 130,19 2008 7 136,04 2008 8 117,56 2008 9 102,82 2008 10 81,90 2008 11 57,08 2008 12 43,69
226
Ek 2 Yıllık Seride Konjonktür ve Arızi Faktörlerin Etkileri (%) Yıllar Net Satışlar 1994 101,40 1995 97,80 1996 110,44 1997 103,76 1998 77,47 1999 87,83 2000 140,60 2001 130,96 2002 98,07 2003 85,19 2004 88,70 2005 103,23 2006 107,11 2007 100,79
227
Ek 3 Üçer Aylık Seride Konjonktür ve Arızi Faktörlerin Etkileri (%) Zaman Net SatışlarQ1 1994 88.68Q2 1994 101.44Q3 1994 111.43Q4 1994 108.37Q1 1995 105.43Q2 1995 101.88Q3 1995 94.71Q4 1995 97.39Q1 1996 107.39Q2 1996 111.03Q3 1996 109.12Q4 1996 121.07Q1 1997 120.52Q2 1997 105.38Q3 1997 100.67Q4 1997 98.05Q1 1998 89.27Q2 1998 76.79Q3 1998 73.56Q4 1998 77.09Q1 1999 76.92Q2 1999 85.79Q3 1999 91,00Q4 1999 100.81Q1 2000 134.26Q2 2000 127.87Q3 2000 143.23Q4 2000 162.83Q1 2001 136.87Q2 2001 151.83Q3 2001 134.56Q4 2001 110.95Q1 2002 88.90Q2 2002 93.43Q3 2002 107.5Q4 2002 105.23Q1 2003 113.56Q2 2003 81.94Q3 2003 76.94Q4 2003 77.68Q1 2004 75.85Q2 2004 84.25
228
Zaman Net SatışlarQ3 2004 94.71Q4 2004 101.14Q1 2005 115.03Q2 2005 102.50Q3 2005 101.23Q4 2005 100.83Q1 2006 93.55Q2 2006 125.78Q3 2006 115.5Q4 2006 97.06Q1 2007 95.07Q2 2007 109.46Q3 2007 98.69Q4 2007 103.19
229
Ek4 Ham Petrol Fiyatlarında Konjonktür ve Arızi Faktörlerin Etkileri (%)
Yıllar KA(%) 1994 71,36 1995 92,93 1996 130,38 1997 132,72 1998 87,85 1999 108,02 2000 150,23 2001 105,70 2002 85,90 2003 80,73 2004 86,65 2005 101,32 2006 101,05 2007 93,34 2008 109,09
230
Yıllar Dönem KA (%)1994 1 61,561994 2 70,591994 3 77,651994 4 82,181995 1 90,131995 2 98,781995 3 89,521995 4 98,541996 1 116,121996 2 124,11996 3 129,151996 4 155,481997 1 152,421997 2 124,471997 3 122,921997 4 130,751998 1 102,441998 2 91,851998 3 79,331998 4 76,051999 1 72,631999 2 94,401999 3 116,321999 4 136,912000 1 154,722000 2 139,482000 3 151,132000 4 147,442001 1 122,852001 2 117,832001 3 103,522001 4 77,762002 1 79,532002 2 88,572002 3 86,65
231
Yıllar Dönem KA (%)2002 4 84,742003 1 99,32003 2 74,632003 3 75,242003 4 74,942004 1 80,662004 2 82,132004 3 86,892004 4 94,212005 1 96,712005 2 98,062005 3 108,432005 4 100,012006 1 105,452006 2 109,492006 3 104,832006 4 86,222007 1 83,032007 2 90,602007 3 92,502007 4 106,642008 1 117,052008 2 134,122008 3 126,382008 4 64,18
232
Yıllar Aylar KA(%) Yıllar Aylar KA(%) Yıllar Aylar KA(%) 1994 1 60,76 1997 1 165,96 2000 1 146,13 1994 2 63,09 1997 2 153,21 2000 2 157,27 1994 3 60,77 1997 3 135,50 2000 3 157,97 1994 4 65,56 1997 4 123,08 2000 4 126,70 1994 5 71,02 1997 5 125,20 2000 5 134,88 1994 6 75,21 1997 6 125,03 2000 6 153,09 1994 7 79,87 1997 7 122,53 2000 7 151,63 1994 8 80,62 1997 8 125,89 2000 8 140,51 1994 9 73,52 1997 9 121,25 2000 9 162,67 1994 10 77,44 1997 10 132,36 2000 10 146,85 1994 11 85,01 1997 11 132,72 2000 11 153,72 1994 12 84,59 1997 12 126,73 2000 12 140,79 1995 1 86,53 1998 1 111,68 2001 1 119,76 1995 2 92,07 1998 2 104,42 2001 2 132,32 1995 3 91,37 1998 3 91,01 2001 3 116,19 1995 4 98,70 1998 4 93,71 2001 4 111,96 1995 5 99,90 1998 5 94,51 2001 5 118,62 1995 6 97,99 1998 6 87,82 2001 6 122,30 1995 7 88,90 1998 7 78,18 2001 7 104,90 1995 8 88,54 1998 8 78,54 2001 8 101,88 1995 9 91,96 1998 9 81,70 2001 9 104,79 1995 10 92,00 1998 10 85,61 2001 10 82,91 1995 11 97,86 1998 11 75,23 2001 11 75,93 1995 12 107,36 1998 12 66,54 2001 12 73,58 1996 1 114,72 1999 1 72,38 2002 1 76,86 1996 2 110,93 1999 2 69,56 2002 2 77,24 1996 3 121,87 1999 3 74,54 2002 3 83,63 1996 4 132,91 1999 4 92,45 2002 4 91,80 1996 5 121,48 1999 5 95,99 2002 5 90,61 1996 6 118,11 1999 6 94,51 2002 6 82,92 1996 7 122,69 1999 7 108,03 2002 7 85,85 1996 8 126,80 1999 8 116,64 2002 8 85,86 1996 9 139,56 1999 9 124,41 2002 9 89,05 1996 10 152,52 1999 10 127,32 2002 10 89,08 1996 11 152,49 1999 11 135,04 2002 11 78,86 1996 12 161,99 1999 12 149,31 2002 12 85,48
233
Yıllar Aylar KA(%) Yıllar Aylar KA(%)2003 1 98,83 2006 1 106,982003 2 100,64 2006 2 106,512003 3 97,67 2006 3 102,192003 4 76,09 2006 4 110,372003 5 70,59 2006 5 111,052003 6 77,21 2006 6 106,892003 7 76,43 2006 7 110,382003 8 77,90 2006 8 110,302003 9 72,01 2006 9 94,482003 10 73,74 2006 10 83,902003 11 74,02 2006 11 84,252003 12 77,26 2006 12 91,582004 1 80,37 2007 1 81,642004 2 77,67 2007 2 81,722004 3 82,29 2007 3 84,882004 4 79,70 2007 4 91,312004 5 83,54 2007 5 87,852004 6 83,19 2007 6 92,812004 7 81,02 2007 7 96,332004 8 91,04 2007 8 91,002004 9 88,80 2007 9 91,152004 10 101,07 2007 10 97,202004 11 96,16 2007 11 111,272004 12 85,66 2007 12 113,262005 1 90,25 2008 1 115,152005 2 93,55 2008 2 113,922005 3 103,98 2008 3 122,012005 4 102,99 2008 4 123,772005 5 93,44 2008 5 133,262005 6 97,98 2008 6 145,872005 7 104,25 2008 7 147,832005 8 110,28 2008 8 125,202005 9 110,99 2008 9 107,102005 10 103,19 2008 10 84,602005 11 98,86 2008 11 59,772005 12 98,54 2008 12 46,55
234
Ek 5 Yıllık Net Satışlar İçin Uygun Bulunan Modeller Hiperbolik Dönüşüm Doğrusal
Unstandardized Coefficients
Standardized Coefficients
B Std. Error Beta t Sig. Case Sequence -5,59E-007 ,000 -,873 -6,203 ,000 (Constant) 1,24E-005 ,000 16,114 ,000
Holt İkili Parametreli Doğrusal Üstel Düz. Smoothing Parameters
Series Alpha (Level) Gamma (Trend)
Sums of Squared Errors df error
Net satislar ,99000 ,01000 8332474263,67270 12
Shown here are the parameters with the smallest Sums of Squared Errors. These parameters are used to forecast. ARIMA(001) Modeli
235
Ek 6 Üçer Aylık Net Satışlar İçin Uygun Bulunan Modeller Hiperbolik Doğrusal Fonksiyon
Coefficients
-5,7E-007 ,000 -,817 -10,430 ,0004,96E-005 ,000 27,578 ,000
Case Sequence(Constant)
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Winters’ın Doğrusal Trend Üstel Düz. Smoothing Parameters
Series Alpha (Level) Gamma (Trend)
Delta (Season)
Sums of Squared Errors df error
nsatis ,89000 ,01000 ,01000 1111600293,34471 51
Shown here are the parameters with the smallest Sums of Squared Errors. These parameters are used to forecast. ARIMA(010)(011) Modeli
236
Ek 7 Net Yıllık Satış Tahminleri (Bin TL) Yıllar Ns Üd hiperbolik
1994 85839 91073,38 84653,401995 86908 96308,17 88860,911996 103273 97325,49 93508,541997 102381 113595,80 98669,161998 80900 112764,40 104432,701999 97418 91174,35 110911,302000 166254 107373,10 118246,902001 165822 176265,50 126621,502002 133642 176424,20 136272,802003 125674 144143,40 147516,802004 142617 135750,10 160783,202005 182377 152507,70 176671,402006 209986 192333,00 196044,102007 221930 220238,90 220188,602008 232359,20 251115,702009 242805,40 292150,20
2009200820072006200520042003200220012000199919981997199619951994
Yıllar
300000,00
250000,00
200000,00
150000,00
100000,00
50000,00
Bin YT
L
trfudns
237
Ek 8 Üçer Aylık Net Satışların Tahmini (Bin TL) Zaman Ns ÜD Hiperbolik Arıma Q1 1994 16402,50 18851,49 20412,53 . Q2 1994 20084,87 18191,72 20653,73 . Q3 1994 25705,99 23642,73 20900,70 . Q4 1994 23645,76 24534,59 21153,64 . Q1 1995 20454,66 21433,85 21412,79 . Q2 1995 21174,50 22360,58 21678,36 24137,03 Q3 1995 22947,00 25202,88 21950,60 26795,62 Q4 1995 22331,68 22268,20 22229,76 20886,77 Q1 1996 21908,22 20168,74 22516,12 19140,58 Q2 1996 24279,28 23628,39 22809,95 24096,29 Q3 1996 27835,61 28592,17 23111,56 27959,16 Q4 1996 29249,62 26730,98 23421,24 26504,19 Q1 1997 25924,64 26088,49 23739,34 27454,52 Q2 1997 24312,34 28078,56 24066,20 28175,48 Q3 1997 27115,29 29062,87 24402,18 27949,84 Q4 1997 25028,53 26128,46 24747,68 26725,65 Q1 1998 20305,11 22607,79 25103,10 22708,62 Q2 1998 18750,77 22251,41 25468,88 21531,71 Q3 1998 20983,99 22543,79 25845,47 22167,00 Q4 1998 20859,79 20284,64 26233,37 20144,39 Q1 1999 18561,66 18754,69 26633,10 17902,63 Q2 1999 22244,47 20163,25 27045,19 19175,04 Q3 1999 27590,55 26001,22 27470,23 25399,84 Q4 1999 29021,04 26233,83 27908,85 26908,70 Q1 2000 34501,13 25796,84 28361,70 26209,20 Q2 2000 35340,30 36322,69 28829,49 35705,12 Q3 2000 46340,10 41523,74 29312,97 38917,20 Q4 2000 50071,97 43636,05 29812,94 46064,70 Q1 2001 37613,53 44160,31 30330,26 48855,64 Q2 2001 44927,30 41078,49 30865,86 38754,16 Q3 2001 46665,53 52141,68 31420,71 49793,33 Q4 2001 36616,07 44789,04 31995,87 47086,07 Q1 2002 26252,79 33354,60 32592,49 33447,32 Q2 2002 29747,16 28974,25 33211,77 28385,25 Q3 2002 40170,23 34774,19 33855,05 34110,65 Q4 2002 37471,57 37704,83 34523,73 38908,57 Q1 2003 36237,39 33457,34 35219,37 33146,88 Q2 2003 28234,03 38682,35 35943,61 38576,05 Q3 2003 31166,35 34166,43 36698,27 33514,99 Q4 2003 30036,67 29890,58 37485,29 29687,12 Q1 2004 26326,44 26815,25 38306,81 26179,91 Q2 2004 31634,12 28370,87 39165,15 27168,75 Q3 2004 41881,70 36671,82 40062,83 36575,27 Q4 2004 42775,14 39290,09 41002,63 40453,05 Q1 2005 43762,39 37827,04 41987,58 38939,58 Q2 2005 42274,66 46368,30 43021,01 45228,70
238
Q3 2005 49281,03 49794,12 44106,60 47957,33 Q4 2005 47058,92 46734,14 45248,40 48176,87 Q1 2006 39374,97 41858,14 46450,88 43897,31 Q2 2006 57541,48 42456,43 47719,02 40439,33 Q3 2006 62538,88 65523,03 49058,35 63404,26 Q4 2006 50530,63 59433,26 50475,02 61282,60 Q1 2007 44774,34 45647,02 51975,95 46753,68 Q2 2007 56216,72 48059,18 53568,88 48118,65 Q3 2007 60198,00 64659,06 55262,54 61964,14 Q4 2007 60740,88 57315,04 57066,79 57508,34 Q1 2008 53701,99 58992,82 56700,06 Q2 2008 57499,59 61053,41 61107,17 Q3 2008 66961,18 63263,15 66622,80 Q4 2008 63298,62 65638,86 64357,38
Q32008
Q1
2008
Q32007
Q1
2007
Q32006
Q1
2006
Q32005
Q1
2005
Q32004
Q1
2004
Q32003
Q1
2003
Q32002
Q1
2002
Q32001
Q1
2001
Q32000
Q1
2000
Q31999
Q11999
Q31998
Q11998
Q31997
Q11997
Q31996
Q11996
Q31995
Q11995
Q31994
Q11994
Zaman
70.000
60.000
50.000
40.000
30.000
20.000
10.000
Bin T
L
ARIMAUDhiperbolikns
239
Ek 9 Yıllık Ham Petrol Fiyatları İçin Uygun Bulanan Modeller İkinci Derece Trend Fonksiyonu
Coefficients
-5,895 1,440 -1,045 -4,095 ,001,673 ,087 1,964 7,697 ,000
27,348 5,005 5,464 ,000
Case SequenceCase Sequence ** 2(Constant)
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Holt’un İki Parametreli Üstel Trend Düzgünleştirme Yöntemi
Smoothing Parameters
,31000 ,89000 598,71056 13Seriespfiyat
Alpha (Level)Gamma(Trend)
Sums ofSquaredErrors df error
Shown here are the parameters with the smallest Sums ofSquared Errors. These parameters are used to forecast.
Smoothing Parameters ARMA(1,0,0) Modeli
240
Mevsimlik Ham Petrol Fiyatları İçin Uygun Bulanan Modeller İkinci Derece Trend Fonksiyonu
Coefficients
-1,295 ,279 -,882 -4,639 ,000,041 ,004 1,765 9,285 ,000
24,658 3,689 6,683 ,000
Case SequenceCase Sequence ** 2(Constant)
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Winters’ın Yavaşalayan Trend Üstel Düzgünleştirme Yöntemi
Smoothing Parameters
,99000 ,99000 ,47000 3917,547 55Seriespfiyat
Alpha (Level)Delta
(Season)Phi (Trend
Mod.)
Sums ofSquaredErrors df error
Shown here are the parameters with the smallest Sums of Squared Errors.These parameters are used to forecast.
ARMA(2,0,0) Modeli
241
Aylık Ham Petrol Fiyatları İçin Uygun Bulanan Modeller İkinci Derece Trend Fonksiyonu
Coefficients
-,421 ,056 -,852 -7,499 ,000,005 ,000 1,728 15,199 ,000
24,189 2,201 10,990 ,000
Case SequenceCase Sequence ** 2(Constant)
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Winters’ın Yavaşlayan Trend Üstel Düzgünleştirme Yöntemi
Smoothing Parameters
,85000 ,01000 ,52000 2401,634 167Seriespetrolfiyat
Alpha (Level)Delta
(Season)Phi (Trend
Mod.)
Sums ofSquaredErrors df error
Shown here are the parameters with the smallest Sums of Squared Errors.These parameters are used to forecast.
ARMA(1,0,0) ARCH(2) Modeli
242
Ek 10 Yıllık Ham Petrol Fiyatlarının Tahmini (Dolar/Varil)
Yıllar Petrol Fiyatı İkinci Derece Holt 1994 15,79 22,13 18,75 1995 16,96 18,25 21,87 1996 20,50 15,72 21,80 1997 19,30 14,54 22,90 1998 12,92 14,71 21,24 1999 17,52 16,22 13,47 2000 28,66 19,08 13,61 2001 24,61 23,28 26,00 2002 24,77 28,84 29,70 2003 28,85 35,74 29,42 2004 38,11 43,98 31,02 2005 54,28 53,58 39,60 2006 65,19 64,52 58,59 2007 71,69 76,80 76,63 2008 98,66 90,44 86,76
105,42 110,57
243
Mevsimlik Ham Petrol Fiyatlarının Tahmini (Dolar/Varil)
Yıllar Dönem Petrol Fiyatı İkinci Derece Winters'ın
Yavaşlayan Trend 1994 1 13,91 23,40 10,59 1994 2 15,73 22,23 17,57 1994 3 16,89 21,15 16,32 1994 4 16,61 20,14 16,95 1995 1 16,72 19,21 15,96 1995 2 18,19 18,37 17,91 1995 3 16,22 17,61 19,14 1995 4 16,75 16,94 14,03 1996 1 18,32 16,34 17,15 1996 2 19,69 15,83 20,38 1996 3 20,46 15,40 20,36 1996 4 23,49 15,05 20,10 1997 1 21,76 14,79 24,96 1997 2 18,22 14,60 21,39 1997 3 18,34 14,50 15,82 1997 4 19,01 14,49 18,31 1998 1 14,39 14,55 18,95 1998 2 13,53 14,70 11,92 1998 3 12,18 14,93 13,60 1998 4 11,63 15,24 10,77 1999 1 10,96 15,63 11,27 1999 2 15,24 16,11 11,19 1999 3 19,94 16,67 18,49 1999 4 23,78 17,31 21,76 2000 1 26,93 18,03 25,29 2000 2 26,33 18,83 30,34 2000 3 30,66 19,72 25,26 2000 4 30,62 20,69 32,83 2001 1 25,79 21,74 29,27 2001 2 27,02 22,88 24,13 2001 3 25,66 24,10 28,55 2001 4 19,82 25,40 23,42 2002 1 20,56 26,78 15,88 2002 2 25,07 28,24 23,23 2002 3 26,55 29,79 27,98 2002 4 26,72 31,42 25,95 2003 1 31,76 33,13 26,25 2003 2 26,12 34,92 37,29 2003 3 28,48 36,80 20,78 2003 4 29,15 38,76 30,34 2004 1 31,77 40,80 28,38 2004 2 35,33 42,92 35,63 2004 3 40,33 45,12 37,32 2004 4 44,83 47,41 41,91 2005 1 46,48 49,78 46,27 2005 2 51,34 52,23 49,94
244
Yıllar Dönem Petrol Fiyatı İkinci Derece Winters'ın
Yavaşlayan Trend 2005 3 61,09 54,77 54,52 2005 4 57,60 57,39 64,97 2006 1 61,17 60,09 52,82 2006 2 68,99 62,87 68,37 2006 3 70,88 65,73 73,61 2006 4 59,43 68,68 68,56 2007 1 57,48 71,71 50,69 2007 2 67,94 74,82 61,49 2007 3 74,23 78,01 75,29 2007 4 87,00 81,29 74,24 2008 1 95,65 84,64 93,19 2008 2 118,41 88,09 105,74 2008 3 119,09 91,61 133,84 2008 4 61,33 95,21 111,66 2009 1 98,90 22,71
245
Aylık Ham Petrol Fiyatlarının Tahmini (Dolar/Varil)
Yıllar Aylar Petrol Fiyatı
İkinci Derece
Winters'ın Yavaşlayan Trend ARMA
1994 1 13,92 23,77 10,21 . 1994 2 14,20 23,36 16,26 13,92 1994 3 13,65 22,97 14,52 14,35 1994 4 14,65 22,58 13,34 13,35 1994 5 16,02 22,20 15,54 15,20 1994 6 16,43 21,83 16,31 16,77 1994 7 17,46 21,47 17,08 16,65 1994 8 17,46 21,11 17,99 18,02 1994 9 15,81 20,77 17,54 17,46 1994 10 16,31 20,44 14,72 14,91 1994 11 17,16 20,11 16,22 16,58 1994 12 16,31 19,79 17,36 17,63 1995 1 16,25 19,49 15,92 15,84 1995 2 17,02 19,19 16,30 16,22 1995 3 16,89 18,90 17,73 17,44 1995 4 18,19 18,62 16,86 16,82 1995 5 18,63 18,35 19,32 18,90 1995 6 17,74 18,09 18,31 18,87 1995 7 16,15 17,84 17,70 17,25 1995 8 15,98 17,59 15,19 15,28 1995 9 16,53 17,36 16,00 15,89 1995 10 16,25 17,14 16,70 16,83 1995 11 16,62 16,92 15,71 16,10 1995 12 17,48 16,71 16,57 16,82 1996 1 18,26 16,52 18,04 17,95 1996 2 17,45 16,33 18,77 18,69 1996 3 19,25 16,15 17,23 17,01 1996 4 21,02 15,98 20,36 20,24 1996 5 19,53 15,82 22,46 21,99 1996 6 18,52 15,67 18,06 18,71 1996 7 19,40 15,53 18,46 17,97 1996 8 20,02 15,39 19,88 19,88 1996 9 22,06 15,27 20,48 20,36 1996 10 23,82 15,15 22,99 23,18 1996 11 23,03 15,05 24,19 24,79 1996 12 23,59 14,95 22,22 22,60
246
Yıllar Aylar Petrol Fiyatı
İkinci Derece
Winters'ın Yavaşlayan Trend ARMA
1997 1 23,77 14,86 24,03 23,90 1997 2 21,82 14,78 23,99 23,87 1997 3 19,50 14,71 21,03 20,75 1997 4 17,85 14,65 18,24 18,23 1997 5 18,58 14,60 17,29 16,95 1997 6 18,22 14,56 18,48 18,98 1997 7 18,13 14,53 18,50 18,02 1997 8 18,73 14,50 18,02 18,08 1997 9 18,19 14,49 19,18 19,06 1997 10 19,76 14,48 17,70 17,89 1997 11 19,30 14,49 20,16 20,62 1997 12 17,90 14,50 18,74 19,05 1998 1 15,63 14,52 17,24 17,13 1998 2 14,64 14,55 14,46 14,39 1998 3 12,99 14,59 14,33 14,10 1998 4 13,58 14,64 12,10 12,09 1998 5 14,12 14,70 14,23 13,90 1998 6 12,98 14,77 14,01 14,42 1998 7 11,82 14,85 12,67 12,35 1998 8 12,03 14,93 11,13 11,18 1998 9 12,71 15,03 12,24 12,15 1998 10 13,35 15,13 12,98 13,08 1998 11 11,51 15,24 13,37 13,70 1998 12 9,96 15,37 10,34 10,50 1999 1 10,81 15,50 9,19 9,11 1999 2 10,48 15,64 11,37 11,28 1999 3 11,51 15,79 10,45 10,30 1999 4 14,59 15,95 12,14 12,07 1999 5 15,72 16,11 16,68 16,28 1999 6 15,41 16,29 15,85 16,34 1999 7 18,13 16,48 15,61 15,24 1999 8 19,95 16,67 19,65 19,62 1999 9 21,74 16,88 21,07 20,95 1999 10 22,43 17,09 22,51 22,72 1999 11 23,47 17,31 22,24 22,81 1999 12 25,52 17,55 23,65 24,04
247
Yıllar Aylar Petrol Fiyatı
İkinci Derece
Winters'ın Yavaşlayan Trend ARMA
2000 1 25,05 17,79 26,76 26,64 2000 2 27,33 18,04 24,88 24,79 2000 3 28,27 18,30 29,05 28,58 2000 4 23,28 18,57 28,88 28,79 2000 5 25,83 18,84 20,79 20,54 2000 6 29,31 19,13 26,58 27,23 2000 7 30,00 19,43 32,06 31,22 2000 8 28,44 19,73 30,24 30,38 2000 9 33,76 20,05 27,67 27,58 2000 10 30,83 20,37 36,48 36,68 2000 11 31,94 20,70 28,43 29,22 2000 12 28,86 21,04 32,06 32,55 2001 1 24,69 21,39 27,35 27,17 2001 2 27,73 21,75 22,51 22,40 2001 3 25,14 22,12 29,97 29,40 2001 4 24,93 22,50 23,70 23,72 2001 5 27,59 22,89 25,32 24,81 2001 6 28,50 23,28 28,31 29,05 2001 7 25,31 23,69 29,74 29,00 2001 8 25,19 24,10 23,36 23,56 2001 9 26,61 24,53 25,30 25,12 2001 10 21,33 24,96 27,18 27,39 2001 11 19,36 25,40 17,92 18,43 2001 12 18,53 25,85 18,07 18,28 2002 1 19,49 26,31 18,24 18,07 2002 2 19,93 26,78 20,15 20,02 2002 3 22,30 27,26 20,47 20,17 2002 4 25,21 27,75 23,74 23,60 2002 5 26,01 28,25 27,39 26,81 2002 6 23,86 28,75 25,63 26,45 2002 7 25,59 29,27 23,25 22,68 2002 8 26,24 29,79 26,55 26,54 2002 9 27,96 30,33 26,74 26,60 2002 10 28,34 30,87 28,65 28,90 2002 11 24,87 31,42 27,86 28,55 2002 12 26,63 31,98 22,62 22,97
248
Yıllar Aylar Petrol Fiyatı
İkinci Derece
Winters'ın Yavaşlayan Trend ARMA
2003 1 31,00 32,55 27,78 27,60 2003 2 32,12 33,13 33,60 33,40 2003 3 32,21 33,72 33,18 32,73 2003 4 25,84 34,31 32,32 32,26 2003 5 25,05 34,92 22,61 22,35 2003 6 27,46 35,54 23,94 24,62 2003 7 28,15 36,16 29,61 28,78 2003 8 29,40 36,79 28,44 28,53 2003 9 27,91 37,44 30,25 30,09 2003 10 28,95 38,09 26,77 27,09 2003 11 28,79 38,75 28,86 29,52 2003 12 29,67 39,42 28,26 28,70 2004 1 31,06 40,10 30,31 30,15 2004 2 30,52 40,79 31,98 31,82 2004 3 33,39 41,49 30,65 30,22 2004 4 33,28 42,19 35,16 34,96 2004 5 36,43 42,91 33,85 33,22 2004 6 36,33 43,63 37,12 38,16 2004 7 36,61 44,37 37,20 36,28 2004 8 42,13 45,11 36,65 36,76 2004 9 42,17 45,87 45,52 45,16 2004 10 48,57 46,63 41,71 42,19 2004 11 45,75 47,40 50,91 52,08 2004 12 40,20 48,18 43,47 44,20 2005 1 42,59 48,97 37,41 37,16 2005 2 44,85 49,76 44,23 43,90 2005 3 51,43 50,57 46,83 46,09 2005 4 52,38 51,39 55,36 55,04 2005 5 49,58 52,21 53,89 52,90 2005 6 52,02 53,05 46,44 48,04 2005 7 57,22 53,89 54,83 53,36 2005 8 61,93 54,75 60,06 60,07 2005 9 63,90 55,61 64,87 64,51 2005 10 60,07 56,48 64,31 64,98 2005 11 56,92 57,36 56,51 57,97 2005 12 55,91 58,25 54,42 55,19
249
Yıllar Aylar Petrol Fiyatı
İkinci Derece
Winters'ın Yavaşlayan Trend ARMA
2006 1 60,98 59,15 55,73 55,36 2006 2 61,62 60,06 64,15 63,76 2006 3 60,94 60,97 62,86 61,97 2006 4 67,61 61,90 60,69 60,57 2006 5 70,91 62,83 72,90 71,27 2006 6 68,23 63,78 70,58 72,72 2006 7 72,77 64,73 68,45 66,76 2006 8 74,33 65,69 75,22 75,26 2006 9 65,21 66,67 75,57 75,19 2006 10 58,50 67,65 59,36 60,21 2006 11 58,04 68,64 53,57 54,82 2006 12 62,12 69,64 57,06 57,79 2007 1 55,58 70,64 64,72 64,36 2007 2 56,42 71,66 52,14 51,99 2007 3 60,34 72,69 57,83 56,88 2007 4 66,62 73,72 62,84 62,49 2007 5 66,75 74,77 71,59 70,06 2007 6 70,43 75,82 64,71 66,82 2007 7 75,43 76,88 74,36 72,45 2007 8 72,77 77,96 78,06 78,17 2007 9 74,59 79,04 71,53 71,31 2007 10 80,28 80,13 74,92 75,59 2007 11 90,72 81,23 81,50 83,40 2007 12 90,84 82,34 94,84 96,44 2008 1 92,61 83,46 91,24 90,91 2008 2 92,83 84,58 94,01 93,58 2008 3 102,29 85,72 94,35 92,95 2008 4 106,40 86,86 108,09 107,48 2008 5 119,20 88,02 110,82 108,65 2008 6 130,19 89,18 122,84 126,22 2008 7 136,04 90,35 139,69 136,22 2008 8 117,56 91,54 138,81 139,25 2008 9 102,82 92,73 107,42 107,43 2008 10 81,90 93,93 93,71 94,74 2008 11 57,08 95,14 68,83 70,43 2008 12 43,69 96,35 43,30 43,47 2009 1 97,58 37,09 36,35
250
Ek 11 Aylık Ham Petrol Fiyatlarının Tahmini ARMA(1,0,0) ARCH(2) Modeli
-40
-30
-20
-10
0
10
20
30
1994 1996 1998 2000 2002 2004 2006 2008
DYTF
Forecast: DYTFActual: DYTForecast sample: 1994:01 2008:12Adjusted sample: 1994:03 2008:12Included observations: 178
Root Mean Squared Error 4.018759Mean Absolute Error 2.479760Mean Abs. Percent Error 133.0420Theil Inequality Coefficient 0.767790 Bias Proportion 0.000872 Variance Proportion 0.789519 Covariance Proportion 0.209608
0
50
100
150
200
250
300
1994 1996 1998 2000 2002 2004 2006 2008
Forecast of Variance
251
-30
-20
-10
0
10
20
-30
-20
-10
0
10
20
1994 1996 1998 2000 2002 2004 2006 2008
Residual Actual Fitted
252
ÖZGEÇMİŞ
1973 yılında Balıkesir’in Gökçeyazı kasabasında doğdu. İlk ve ortaokulu
Gökçeyazı’da, liseyi ise Balıkesir’de tamamladı. 1991 yılında kazandığı Karadeniz
Teknik Üniversitesi Orman Fakültesi Orman Endüstri Mühendisliği Bölümünden
1996 yılında mezun oldu. 1998 yılında İstanbul Üniversitesi İşletme Fakültesi
Sayısal Yöntemler Anabilim Dalına araştırma görevlisi olarak atandı. 2002 yılında
İstanbul Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Sayısal
Yöntemler Bilim Dalında yüksek lisans derecesi aldı. Evli ve bir kızı vardır.
253