R ile Doğrusal ve Doğrusal Olmayan Zaman Serisi Analizi

R ile zaman serisi analizi; belirli zaman aralıklarında gözlenen verileri düzenlemeyi, serinin yapısını incelemeyi, uygun modeli tahmin etmeyi ve geleceğe yönelik öngörüler üretmeyi kapsar. Analiz sürecinde zaman değişkeni tanımlanır, grafikler ve temel istatistikler incelenir, durağanlık değerlendirilir ve araştırma sorusuna göre doğrusal ya da doğrusal olmayan bir model seçilir. Modelin kurulması kadar kalıntı tanıları, tahmin başarısı ve sonuçların doğru yorumlanması da önemlidir.

Tek denklemli modeller, bir bağımlı değişkenin kendi geçmiş değerleri, geçmiş hata terimleri veya başka açıklayıcı değişkenlerle ilişkisini tek bir denklem içinde ele alır. R yazılımı bu modellerin kodlarla kurulmasını, sonuçların yeniden üretilebilmesini ve farklı modellerin karşılaştırılmasını sağlar. R ile Tek Denklemli Doğrusal ve Doğrusal Olmayan Zaman Serileri Analizi, model seçimi, parametre tahmini ve model doğrulama adımlarının R komutlarıyla yürütülmesine odaklanan bir eğitim programıdır.

Zaman Serisi Nedir?

Zaman serisi, bir değişkenin günlük, aylık, çeyreklik veya yıllık gibi belirli zaman aralıklarındaki gözlemlerinden oluşur. Günlük döviz kuru, aylık enflasyon, çeyreklik büyüme, yıllık nüfus ve saatlik enerji tüketimi zaman serisi verilerine örnek verilebilir.

Zaman serilerini diğer veri türlerinden ayıran temel özellik, gözlemlerin sırasının anlam taşımasıdır. Bugünkü değer geçmiş dönemlerden etkilenebilir; serideki eğilim, mevsimsellik ve ani değişimler gelecekteki hareketler hakkında bilgi sağlayabilir. Bu nedenle gözlemlerin sırasını değiştirerek standart kesit verisi gibi analiz yapmak çoğu durumda uygun değildir.

Bir zaman serisinde aşağıdaki bileşenler görülebilir:

• Trend: Serinin uzun dönemli yükseliş veya düşüş eğilimi,
• Mevsimsellik: Belirli zaman aralıklarında düzenli biçimde tekrarlanan hareketler,
• Döngü: Sabit olmayan sürelerle ortaya çıkan genişleme ve daralma hareketleri,
• Düzensiz bileşen: Beklenmeyen olaylar ve ölçülemeyen etkiler nedeniyle oluşan hareketler,
• Yapısal değişim: Serinin düzeyinde, eğiliminde veya değişkenliğinde meydana gelen kalıcı farklılaşma.

Tek Denklemli Zaman Serisi Modeli Nedir?

Tek denklemli model, incelenen bağımlı değişkenin davranışını tek bir matematiksel denklemle açıklar. Modelde serinin kendi gecikmeleri, geçmiş hata terimleri ve gerekli olduğunda dışsal açıklayıcı değişkenler yer alabilir.

Örneğin aylık satış miktarı yalnızca geçmiş satış değerleriyle modellenebilir. Daha geniş bir modelde fiyat, reklam harcaması ve mevsimsel göstergeler de açıklayıcı değişken olarak kullanılabilir. Temel ayrım, ilişkilerin tek bir bağımlı değişken merkezinde kurulmasıdır.

Tek denklemli modeller şu amaçlarla kullanılabilir:

• Serinin geçmişe bağlı yapısını açıklamak,
• Kısa ve orta vadeli tahminler üretmek,
• Açıklayıcı değişkenlerin etkisini incelemek,
• Kısa ve uzun dönem ilişkilerini değerlendirmek,
• Rejim, eşik veya asimetri gibi doğrusal olmayan davranışları araştırmak.

Birden fazla değişkenin karşılıklı olarak birbirini açıkladığı VAR gibi sistem modelleri ise tek denklemli yapıdan ayrılır. Hangi yaklaşımın seçileceği araştırma sorusuna ve kuramsal çerçeveye bağlıdır.

Doğrusal ve Doğrusal Olmayan Zaman Serileri Arasındaki Fark

Doğrusal modellerde değişkenler arasındaki ilişkinin ve serinin dinamik yapısının sabit katsayılarla ifade edilebildiği varsayılır. Doğrusal olmayan modellerde ise ilişkinin yönü veya büyüklüğü gözlem düzeyine, geçmiş duruma, belirli bir eşiğe ya da içinde bulunulan rejime göre değişebilir.

Doğrusal olmayan modelin daha karmaşık olması, otomatik olarak daha iyi sonuç vereceği anlamına gelmez. Öncelikle doğrusal modelin yetersiz kaldığını gösteren kuramsal veya istatistiksel bir gerekçe bulunmalıdır.

R ile Zaman Serisi Analizine Nasıl Başlanır?

Zaman serisi analizine doğrudan model tahmin ederek başlanmamalıdır. Araştırma problemi, veri sıklığı, zaman aralığı ve kullanılacak değişkenler önceden belirlenmelidir.

1. Araştırma Sorusunu Tanımlayın

Araştırma sorusu analiz amacını belirler. “Döviz kuru verilerini incelemek” genel bir konudur. “Aylık döviz kuru değişimlerinin enflasyon üzerindeki kısa dönemli etkisi doğrusal mıdır?” ifadesi ise model seçimini yönlendiren daha açık bir araştırma sorusudur.

Geniş bir konuyu değişkenleri belirli ve analiz edilebilir bir probleme dönüştürmek için bilimsel araştırma problemi oluşturma yaklaşımından yararlanılabilir.

2. Kuramsal Çerçeveyi Oluşturun

Modelde yer alacak değişkenler yalnızca veri setinde bulundukları veya yüksek ilişki gösterdikleri için seçilmemelidir. Değişkenlerin araştırma sorusuyla bağlantısı kuram ve önceki çalışmalar üzerinden açıklanmalıdır.

Kuramsal çerçeve; ilişkinin beklenen yönü, gecikmeli etkilerin nedeni, olası eşikler ve yapısal değişimler hakkında araştırmacıya yol gösterir. Veri odaklı keşif değerli olsa da sonuçların anlamlı biçimde yorumlanabilmesi için alan bilgisi gerekir.

3. Literatürü Tarayın

Önceki araştırmalar hangi veri sıklıklarının, dönüşümlerin, durağanlık testlerinin ve model türlerinin kullanıldığını gösterir. Bununla birlikte başka bir çalışmadaki modelin aynı şekilde kopyalanması doğru değildir. Dönem, ülke, sektör ve veri üretim yöntemi değiştiğinde serinin özellikleri de değişebilir.

Güncel çalışmalara ulaşmak, yöntem tercihlerinin gerekçelerini karşılaştırmak ve araştırma boşluğunu belirlemek için literatür tarama ve kaynaklara ulaşma stratejileri kullanılabilir.

4. Veriyi Tanıyın

Verinin kaynağı, ölçü birimi, sıklığı ve hesaplanma yöntemi analizden önce incelenmelidir. Aynı değişken farklı kaynaklarda farklı tanımlara, baz yıllara veya güncelleme yöntemlerine sahip olabilir.

Veri kontrolünde şu sorular yanıtlanmalıdır:

• Gözlemler hangi zaman aralığını kapsıyor?
• Veri günlük, aylık, çeyreklik veya yıllık mı?
• Eksik dönem veya tekrar eden tarih bulunuyor mu?
• Serinin tanımında veya hesaplama yönteminde değişiklik yapılmış mı?
• Nominal ve reel değerler doğru biçimde ayrılmış mı?
• Aykırı gözlemler veri hatası mı yoksa gerçek olayları mı yansıtıyor?
• Analiz için yeterli sayıda gözlem bulunuyor mu?

R Ortamında Zaman Serisi Verisi Nasıl Düzenlenir?

R içinde zaman serisi farklı veri yapılarıyla temsil edilebilir. Düzenli aralıklara sahip klasik seriler için zaman serisi nesneleri; tarih ve saat bilgisi içeren daha esnek veriler için tarih tabanlı tablolar kullanılabilir.

Veri düzenleme sürecinde şu adımlar izlenebilir:

1. Tarih değişkeni doğru formata dönüştürülür.
2. Gözlemler zamana göre sıralanır.
3. Tekrarlanan ve eksik tarihler kontrol edilir.
4. Serinin başlangıç, bitiş ve frekans bilgisi tanımlanır.
5. Değişken adları anlaşılır biçimde düzenlenir.
6. Gerekli oran, logaritma veya fark değişkenleri oluşturulur.
7. Ham veri ve dönüştürülmüş veriler ayrı nesnelerde korunur.

R ile ilk kez çalışanların veri nesneleri, fonksiyonlar, paketler ve temel grafik yapısını öğrenmesi analiz sürecini kolaylaştırır. Bu amaçla temel düzey R bilgisi, ileri zaman serisi modellerine geçmeden önce kullanılabilecek bir başlangıç alanıdır.

Zaman Serisi Neden Önce Görselleştirilmelidir?

Grafik incelemesi; eğilim, mevsimsellik, değişen oynaklık, aykırı gözlem ve yapısal kırılma gibi özelliklerin erken fark edilmesini sağlar. Yalnızca özet istatistiklere bakmak zaman boyutundaki önemli hareketleri gizleyebilir.

Başlangıçta şu görseller oluşturulabilir:

• Serinin zaman grafiği,
• Mevsimsel alt seri grafikleri,
• Dağılım ve yoğunluk grafikleri,
• Gecikme grafikleri,
• Otokorelasyon ve kısmi otokorelasyon grafikleri,
• Hareketli ortalama ve değişkenlik grafikleri.

Grafikte belirgin bir eğilim görülmesi serinin kesin olarak durağan olmadığını, ani hareket görülmesi ise mutlaka yapısal kırılma bulunduğunu kanıtlamaz. Görsel inceleme, model ve test seçimlerini yönlendiren ilk değerlendirme olarak kullanılmalıdır.

Durağanlık Nedir?

Durağanlık, zaman serisinin ortalama, varyans ve dönemler arası ilişki gibi temel istatistiksel özelliklerinin zaman içinde belirli bir denge çevresinde davranmasıyla ilgilidir. Birçok klasik zaman serisi modeli serinin durağan olduğu varsayımına dayanır.

Durağan olmayan serilerle kurulan modeller yüksek açıklama gücü ve anlamlı katsayılar gösterse bile gerçekte var olmayan ilişkiler üretebilir. Bu durum sahte regresyon olarak adlandırılır.

Trend Durağan ve Fark Durağan Seri

Trend durağan seride zaman eğilimi çıkarıldığında kalan bileşen durağan hâle gelebilir. Fark durağan seride ise önceki dönem ile mevcut dönem arasındaki fark alınarak durağanlık sağlanabilir. İki durumun ekonomik yorumları ve şokların kalıcılığı farklıdır.

Durağanlık Nasıl Değerlendirilir?

Durağanlık değerlendirmesinde grafikler, otokorelasyon yapısı ve birim kök testleri birlikte kullanılabilir. Test denklemine sabit terim veya trend eklenmesi, gecikme sayısı ve yapısal kırılmalar sonucu etkileyebilir.

Yalnızca tek bir test sonucuna dayanmak yerine:

• Serinin ekonomik anlamı,
• Zaman grafiği,
• Otokorelasyon yapısı,
• Birden fazla testin sonuçları,
• Olası yapısal kırılmalar,
• Dönüşüm sonrasındaki davranış

birlikte değerlendirilmelidir.

Logaritma ve Fark Dönüşümleri Neden Kullanılır?

Logaritmik dönüşüm, büyüme gösteren serilerde değişkenliği dengelemeye ve katsayıların oransal biçimde yorumlanmasına yardımcı olabilir. Ancak sıfır veya negatif değer içeren serilerde doğrudan kullanılamayabilir.

Birinci fark, mevcut değer ile önceki değer arasındaki değişimi ifade eder. Logaritmik serinin farkı bazı koşullarda yaklaşık büyüme oranı olarak yorumlanabilir. Fark alma seriyi durağanlaştırabilir; ancak serinin düzeyine ilişkin uzun dönem bilgisini de azaltabilir.

Bu nedenle dönüşüm, yalnızca test sonucunu değiştirmek amacıyla değil, serinin yapısına ve araştırma sorusuna dayanarak yapılmalıdır.

Doğrusal Zaman Serisi Modelleri

Otoregresif Model

Otoregresif modelde serinin mevcut değeri, kendi geçmiş değerleriyle açıklanır. Örneğin birinci dereceden modelde mevcut dönem değeri bir önceki dönem değeri ve hata terimiyle ilişkilendirilir.

Gecikme sayısı artırıldığında model daha fazla geçmiş bilgiyi kullanabilir; ancak gereğinden fazla gecikme modelin karmaşıklığını artırır ve tahmin belirsizliğine yol açabilir.

Hareketli Ortalama Modeli

Hareketli ortalama modelinde mevcut değer, geçmiş dönemlerdeki beklenmeyen hareketlerle ilişkilendirilir. Buradaki hareketli ortalama kavramı, seriyi yumuşatmak için hesaplanan basit hareketli ortalamadan farklı bir model yapısını ifade eder.

ARMA Modeli

ARMA modeli, otoregresif ve hareketli ortalama bileşenlerini bir araya getirir. Genellikle durağan seriler için kullanılır. Model derecelerinin belirlenmesinde otokorelasyon grafikleri, bilgi ölçütleri ve kalıntı tanıları birlikte değerlendirilebilir.

ARIMA Modeli

ARIMA modeli, durağan olmayan serinin gerekli sayıda farkı alındıktan sonra otoregresif ve hareketli ortalama bileşenleriyle modellenmesini sağlar. Model genellikle ARIMA(p,d,q) biçiminde gösterilir:

• p: Otoregresif gecikme derecesi,
• d: Durağanlık için alınan fark sayısı,
• q: Hareketli ortalama derecesi.

ARIMA modeli seçilirken yalnızca en düşük bilgi ölçütüne sahip sonuç kullanılmamalıdır. Katsayıların anlamı, modelin yalınlığı, kalıntıların davranışı ve örneklem dışı tahmin başarısı da incelenmelidir.

Mevsimsel ARIMA Modeli

Düzenli mevsimsel örüntü gösteren serilerde mevsimsel otoregresif, fark ve hareketli ortalama bileşenleri modele eklenebilir. Aylık veride on iki dönemlik, çeyreklik veride dört dönemlik hareketler buna örnek olabilir.

Mevsimsellik yalnızca mevsimsel fark alarak değil, dönemsel gösterge değişkenleri veya dışsal mevsimsel faktörlerle de ele alınabilir. Seçim, verinin niteliğine ve modelin amacına göre yapılmalıdır.

Tek Denklemli Dinamik Regresyon Modelleri

Dinamik regresyon, bağımlı değişkeni kendi gecikmeleri ve dışsal açıklayıcı değişkenlerle birlikte modellemeyi sağlar. Bir ekonomik değişkenin etkisi aynı dönemde ortaya çıkabileceği gibi birkaç döneme yayılabilir.

Örneğin politika faizindeki değişimin yatırım harcamaları üzerindeki etkisi gecikmeli olabilir. Bu durumda açıklayıcı değişkenin mevcut değeriyle birlikte geçmiş değerleri de modele eklenebilir.

Dinamik model kurulurken:

• Gecikmelerin kuramsal gerekçesi açıklanmalı,
• Serilerin durağanlık özellikleri incelenmeli,
• Aşırı sayıda gecikme kullanılmamalı,
• Kalıntılarda otokorelasyon kalıp kalmadığı kontrol edilmeli,
• Kısa ve uzun dönem katsayıları doğru biçimde ayrılmalıdır.

Regresyon ve temel ekonometrik tanıların farklı bir yazılım üzerinden nasıl ele alındığını karşılaştırmak için EViews ile temel ekonometri içeriği tamamlayıcı bir perspektif sunabilir.

Eşbütünleşme Nedir?

Tek tek durağan olmayan iki veya daha fazla seri, belirli bir doğrusal bileşim aracılığıyla uzun dönemli denge ilişkisi gösterebilir. Bu durum eşbütünleşme olarak adlandırılır. Eşbütünleşme, seriler arasında uzun dönem ilişkisi bulunduğuna işaret eder; ancak tek başına nedenselliği kanıtlamaz.

Tek denklemli eşbütünleşme yaklaşımında uzun dönem regresyonu tahmin edilebilir ve modelin kalıntılarının durağanlığı incelenebilir. Kullanılacak yöntemin koşulları, serilerin bütünleşme dereceleri ve modeldeki deterministik bileşenler dikkatle değerlendirilmelidir.

Hata Düzeltme Modeli

Eşbütünleşik serilerde kısa dönem değişimleri uzun dönem dengesinden sapmayla ilişkilendiren hata düzeltme modeli kurulabilir. Hata düzeltme terimi, sistemin önceki dönemdeki dengesizlikten ne ölçüde geri döndüğünü gösterir.

Terimin işareti, büyüklüğü ve anlamlılığı ekonomik kuramla birlikte değerlendirilmelidir. Modeldeki kısa dönem katsayıları ile uzun dönem katsayıları birbirinin yerine yorumlanmamalıdır.

Doğrusal Olmayan Zaman Serileri Neden Kullanılır?

Ekonomik ve finansal seriler her dönemde aynı şekilde davranmayabilir. Büyüme ve daralma dönemleri, yüksek ve düşük oynaklık koşulları ya da pozitif ve negatif hareketler farklı dinamikler gösterebilir. Doğrusal modeller bu farklılıkları tek bir ortalama ilişki içinde topladığı için bazı örüntüleri açıklamakta yetersiz kalabilir.

Doğrusal olmayan yapıya şu durumlar işaret edebilir:

• Artış ve azalışların farklı büyüklükte etkiler oluşturması,
• İlişkinin belirli bir eşik değerinden sonra değişmesi,
• Serinin genişleme ve daralma dönemlerinde farklı davranması,
• Yüksek ve düşük oynaklık dönemlerinin kümelenmesi,
• Şokların büyüklüğüne göre farklı kalıcılık göstermesi,
• Doğrusal model kalıntılarında sistematik örüntü kalması.

Doğrusal olmayan model seçmeden önce grafikler, kuramsal beklentiler ve uygun doğrusal olmama testleri değerlendirilmelidir.

Eşik Modelleri Nasıl Çalışır?

Eşik modellerinde serinin davranışı gözlenen bir değişkenin belirli sınırın altında veya üstünde olmasına göre değişir. Örneğin enflasyonun düşük olduğu dönemlerle yüksek olduğu dönemlerde faiz oranının etkisi aynı olmayabilir.

Her rejim için farklı katsayılar tahmin edilebilir. Böylece tek bir ortalama etkinin gizlediği asimetriler ortaya çıkarılabilir. Eşik değeri kuramsal olarak belirlenebileceği gibi veri içinden de tahmin edilebilir.

Eşik modelinin yorumunda:

• Eşik değişkeninin neden seçildiği,
• Eşik değerinin nasıl belirlendiği,
• Her rejimde yeterli gözlem bulunup bulunmadığı,
• Rejim katsayılarının birbirinden anlamlı biçimde farklı olup olmadığı,
• Modelin doğrusal alternatife göre üstünlüğü

açıklanmalıdır.

Yumuşak Geçişli Modeller Nedir?

Bazı seriler bir rejimden diğerine aniden geçmek yerine kademeli biçimde farklılaşır. Yumuşak geçişli modeller, katsayıların geçiş değişkenine bağlı olarak aşamalı değişmesine izin verir.

Geçişin hızı ve eşik çevresindeki davranış, modelin temel yorum alanlarıdır. Model çok esnek olduğu için başlangıç değerleri, örneklem büyüklüğü ve tahmin yöntemi sonuçları etkileyebilir.

Rejim Değişimli Modeller Nedir?

Rejim değişimli modellerde serinin gözlenemeyen farklı durumlar arasında hareket ettiği kabul edilir. Yüksek ve düşük büyüme ya da sakin ve oynak piyasa dönemleri bu rejimlere örnek verilebilir.

Rejimin doğrudan gözlenmemesi, her dönemin belirli olasılıklarla sınıflandırılmasını gerektirir. Elde edilen rejimler yalnızca istatistiksel özelliklerle değil, ilgili dönemdeki ekonomik olaylarla birlikte yorumlanmalıdır.

Finansal Serilerde Değişen Oynaklık

Finansal getirilerde büyük hareketleri büyük, küçük hareketleri küçük değişimlerin izlediği oynaklık kümelenmesi görülebilir. Ortalama modeli doğru kurulsa bile hata varyansı zaman boyunca sabit kalmayabilir.

Koşullu değişen varyans modelleri, oynaklığın kendi geçmişinden ve geçmiş şoklardan etkilenmesine izin verir. Pozitif ve negatif şokların oynaklık üzerinde farklı etkiler oluşturduğu durumlarda asimetrik modeller değerlendirilebilir.

Bu modeller kullanılırken:

• Önce ortalama denklemi uygun biçimde kurulmalı,
• Kalıntılarda koşullu değişen varyans belirtisi incelenmeli,
• Model katsayılarının gerekli koşulları sağlayıp sağlamadığı kontrol edilmeli,
• Farklı hata dağılımları karşılaştırılmalı,
• Oynaklık tahminleri belirsizlikleriyle birlikte yorumlanmalıdır.

Model Seçimi Nasıl Yapılır?

Zaman serisi analizinde farklı gecikme derecelerine ve model yapılarına sahip çok sayıda aday ortaya çıkabilir. En karmaşık modeli seçmek yerine veriyi yeterince açıklayan, tanı kontrollerini geçen ve yeni gözlemlerde kabul edilebilir tahmin üreten model tercih edilmelidir.

Model karşılaştırmasında şu ölçütlerden yararlanılabilir:

• Bilgi ölçütleri,
• Katsayıların anlamlılığı ve kuramsal uygunluğu,
• Kalıntıların otokorelasyon yapısı,
• Varyansın kararlılığı,
• Kalıntı dağılımı,
• Parametre kararlılığı,
• Örneklem dışı tahmin hataları,
• Modelin yalınlığı ve yorumlanabilirliği.

Aynı veri üzerinde çok sayıda model denenip yalnızca en başarılı görünen sonucun raporlanması aşırı uyuma yol açabilir. Model seçim süreci şeffaf biçimde açıklanmalıdır.

Parametre Tahmini Nasıl Yorumlanır?

Parametreler, geçmiş değerlerin, hata terimlerinin veya açıklayıcı değişkenlerin seri üzerindeki tahminî etkisini gösterir. Katsayıların işareti, büyüklüğü, istatistiksel belirsizliği ve model içindeki rolü birlikte değerlendirilmelidir.

Doğrusal olmayan modellerde aynı değişken farklı rejimlerde farklı katsayılara sahip olabilir. Bu durumda yalnızca tek bir katsayıyı yorumlamak yeterli değildir; rejime geçiş koşulları ve her rejimdeki etki ayrı ayrı açıklanmalıdır.

Model Doğrulama ve Kalıntı Analizi

İyi bir modelin kalıntılarında açıklanmamış sistematik bilgi kalmaması beklenir. Kalıntılar zamana göre çizilmeli; otokorelasyon, değişen varyans, aykırı değer ve yapısal değişim belirtileri incelenmelidir.

Model doğrulama sürecinde şu sorular sorulabilir:

1. Kalıntıların ortalaması sıfır çevresinde mi?
2. Kalıntılarda anlamlı otokorelasyon bulunuyor mu?
3. Varyans zaman içinde değişiyor mu?
4. Belirli dönemlerde büyük tahmin hataları yoğunlaşıyor mu?
5. Parametreler örneklem boyunca kararlı mı?
6. Doğrusal modelin açıklayamadığı bir yapı kalmış mı?
7. Model yeni gözlemlerde kabul edilebilir tahmin üretiyor mu?

Kalıntılar sorunluysa yalnızca gecikme sayısını artırmak yerine veri dönüşümü, eksik değişken, yapısal kırılma ve yanlış model biçimi gibi olası nedenler değerlendirilmelidir.

Zaman Serilerinde Tahmin Nasıl Yapılır?

Tahmin, modelin geçmiş verilerde başarılı görünmesinden farklı bir değerlendirme gerektirir. Tahmin başarısını ölçmek için verinin bir bölümü model kurmak, kalan bölümü ise modeli sınamak amacıyla ayrılabilir.

Başlıca tahmin yaklaşımları şunlardır:

• Tek adımlı tahmin: Bir sonraki dönemin değerini tahmin etmek,
• Çok adımlı tahmin: Birden fazla gelecek dönem için değer üretmek,
• Yuvarlanan tahmin: Her yeni gözlemle model veya tahmin penceresini güncellemek,
• Genişleyen pencere: Yeni verileri geçmiş veri setine ekleyerek tahmini tekrarlamak.

Nokta tahmininin yanında tahmin aralıkları da raporlanmalıdır. Gelecek dönem uzadıkça belirsizlik genellikle artar. Çok dar tahmin aralıkları her zaman yüksek doğruluk anlamına gelmez; model belirsizliği yeterince temsil edilmemiş olabilir.

Tahmin Başarısı Nasıl Ölçülür?

Tahmin hatası, gerçekleşen değer ile tahmin arasındaki farktır. Hataların büyüklüğünü özetlemek için farklı ölçütler kullanılabilir. Her ölçütün avantajları ve sınırlılıkları vardır.

Bir model tek bir hata ölçütünde en iyi sonucu verirken başka bir ölçütte daha zayıf olabilir. Modelin kullanılacağı karar bağlamına göre büyük hataların mı yoksa ortalama hatanın mı daha önemli olduğu belirlenmelidir.

Tekrarlanabilir Analiz Neden Önemlidir?

R ile analiz yapmanın önemli avantajlarından biri bütün işlemlerin kodlarla belgelenebilmesidir. Veri temizleme, dönüşüm, model tahmini, grafik ve tablo üretimi aynı kod dosyasında saklanabilir. Böylece yeni veri geldiğinde süreç tekrar yürütülebilir.

Tekrarlanabilir bir çalışma için:

• Ham veri değiştirilmeden korunmalı,
• Veri temizleme işlemleri kodla belgelenmeli,
• Paket ve fonksiyon kullanımları açıkça gösterilmeli,
• Model seçenekleri ve tercih gerekçeleri kaydedilmeli,
• Grafik ve tablolar mümkün olduğunca kodla üretilmeli,
• Dosya yolları ve değişken adları anlaşılır biçimde düzenlenmelidir.

Daha geniş veri işleme ve tahmin algoritmalarıyla ilgilenen araştırmacılar için Python ile veri bilimi ve makine öğrenmesi, R tabanlı ekonometrik analize tamamlayıcı bir araç yaklaşımı sunabilir.

R ile Zaman Serisi Analizinde Sık Yapılan Hatalar

• Araştırma sorusu oluşturmadan çok sayıda model denemek,
• Tarih ve veri sıklığını yanlış tanımlamak,
• Eksik dönemleri fark etmeden seriyi düzenli kabul etmek,
• Grafik incelemesi yapmadan doğrudan teste geçmek,
• Durağanlık değerlendirmesini tek bir test sonucuna dayandırmak,
• Serilere gerekçesiz biçimde fark veya logaritma dönüşümü yapmak,
• Otokorelasyon ve kalıntı tanılarını göz ardı etmek,
• En düşük bilgi ölçütüne sahip modeli otomatik olarak seçmek,
• Doğrusal olmayan modeli yalnızca daha karmaşık olduğu için tercih etmek,
• Eşbütünleşmeyi veya öngörü ilişkisini kesin nedensellik olarak yorumlamak,
• Model başarısını yalnızca örneklem içindeki uyumla değerlendirmek,
• Kod ve veri dönüşümlerini raporlamamak.

Zaman Serisi Bulguları Nasıl Raporlanır?

Araştırma raporunda yalnızca R çıktılarının ekran görüntülerine yer vermek yeterli değildir. Veri kaynağı, örneklem dönemi, frekans, dönüşümler, model seçimi ve tanı sonuçları açık biçimde anlatılmalıdır.

Raporlama sırası şu şekilde kurulabilir:

1. Araştırma problemi ve kuramsal beklenti açıklanır.
2. Veri kaynağı, kapsamı ve değişken tanımları sunulur.
3. Serilerin grafik ve betimleyici özellikleri değerlendirilir.
4. Durağanlık incelemesi ve dönüşümler gerekçelendirilir.
5. Aday modeller ve seçim ölçütleri açıklanır.
6. Tahmin edilen parametreler yorumlanır.
7. Kalıntı ve model doğrulama sonuçları raporlanır.
8. Örneklem dışı tahmin başarısı değerlendirilir.
9. Sınırlılıklar ve alternatif açıklamalar belirtilir.

Tabloların düzenlenmesi, grafiklerin açıklanması ve bulguların bilimsel metne dönüştürülmesi için veri analizi ve raporlama ilkelerinden yararlanılabilir. Araştırmanın tez kapsamında yürütülmesi durumunda tez yazım sürecinin bütünlüğü de dikkate alınmalıdır.

R ile Zaman Serisi Analizi İçin Kontrol Listesi

1. Araştırma sorusu ve analiz amacı açık mı?
2. Değişkenler kuramsal olarak gerekçelendirilmiş mi?
3. Verilerin kaynağı ve hesaplama yöntemi doğrulanmış mı?
4. Tarih değişkeni ve veri sıklığı doğru tanımlanmış mı?
5. Eksik gözlemler ve aykırı değerler incelenmiş mi?
6. Serinin grafiği, trendi ve mevsimselliği değerlendirilmiş mi?
7. Durağanlık uygun test ve grafiklerle incelenmiş mi?
8. Yapılan dönüşümlerin bilimsel gerekçesi açıklanmış mı?
9. Doğrusal olmayan model için yeterli kanıt bulunuyor mu?
10. Model dereceleri ve gecikmeler gerekçelendirilmiş mi?
11. Kalıntılarda otokorelasyon ve değişen varyans kontrol edilmiş mi?
12. Parametre ve model kararlılığı değerlendirilmiş mi?
13. Örneklem dışı tahmin başarısı ölçülmüş mü?
14. Kodlar, tablolar ve sonuçlar yeniden üretilebilir mi?

Nicel araştırma tasarımının değişken, hipotez, veri toplama ve analiz boyutlarını daha genel bir çerçevede ele almak için nicel araştırma yöntemlerinin temelleri zaman serisi analizine yöntemsel altyapı sağlayabilir.

Sıkça Sorulan Sorular

R ile zaman serisi analizi yapmak için kodlama bilmek gerekir mi?

Temel R söz dizimini bilmek analiz sürecini önemli ölçüde kolaylaştırır. Veri nesneleri, fonksiyonlar, paketler, grafikler ve sonuçlara erişim gibi temel konular öğrenildikten sonra zaman serisi fonksiyonlarına geçilebilir.

Tek denklemli model ne anlama gelir?

Tek denklemli model, bir bağımlı değişkenin kendi geçmiş değerleri, geçmiş hatalar veya dışsal değişkenler aracılığıyla tek bir denklem içinde açıklanmasıdır. Değişkenlerin karşılıklı denklemler içinde ele alındığı sistem modellerinden ayrılır.

ARIMA modeli doğrusal mıdır?

Standart ARIMA modeli doğrusal zaman serisi modelleri arasında yer alır. Serinin geçmiş değerleri ve hata terimleri doğrusal bir yapı içinde birleştirilir.

Her zaman serisinin durağan olması gerekir mi?

Her ham serinin düzeyde durağan olması gerekmez. Ancak kullanılacak modelin serinin durağanlık özelliklerine uygun olması gerekir. Fark alma, trendden arındırma veya eşbütünleşme yaklaşımı araştırma sorusuna göre değerlendirilebilir.

Doğrusal olmayan model ne zaman kullanılmalıdır?

İlişkinin eşik, rejim, yön veya serinin düzeyine göre değiştiğine ilişkin kuramsal gerekçe ya da istatistiksel kanıt bulunduğunda değerlendirilebilir. Yalnızca doğrusal modelde bazı katsayıların anlamsız çıkması, doğrusal olmayan modele geçmek için yeterli değildir.

En iyi model en yüksek R-kare değerine sahip model midir?

Hayır. Zaman serisi modelinin başarısı yalnızca açıklama gücüyle değerlendirilmez. Kalıntı tanıları, bilgi ölçütleri, modelin yalınlığı, parametre kararlılığı ve örneklem dışı tahmin performansı da önemlidir.

Tahmin ile nedensellik aynı şey midir?

Hayır. Bir değişken diğerinin gelecekteki değerini başarılı biçimde tahmin etmeye yardımcı olabilir; ancak bu durum tek başına yapısal neden-sonuç ilişkisini kanıtlamaz. Nedensellik için kuram, araştırma tasarımı ve alternatif açıklamaların değerlendirilmesi gerekir.

R ve EViews aynı analizleri yapabilir mi?

Birçok temel ekonometrik ve zaman serisi modeli her iki araçta da tahmin edilebilir. EViews grafiksel arayüzüyle, R ise kod tabanlı ve genişletilebilir yapısıyla öne çıkar. Sonuçların güvenilirliği yazılımdan çok doğru model ve yorum tercihine bağlıdır.

R çıktıları doğrudan tez veya makaleye eklenebilir mi?

Ham konsol çıktıları yerine gerekli istatistiklerin düzenlenmiş tablolarla sunulması daha uygundur. Kullanılan paketler, fonksiyonlar, model seçenekleri, tanı sonuçları ve katsayı yorumları yöntem bölümünde açıklanmalıdır.

Sonuç

R ile zaman serisi analizi; veriyi düzenleme, seriyi görselleştirme, durağanlığı değerlendirme, model seçme, parametreleri tahmin etme ve kalıntıları doğrulama aşamalarından oluşur. Doğrusal modeller sabit ilişkileri açıklamada etkili olabilirken eşik, asimetri veya rejim değişimi içeren serilerde doğrusal olmayan yaklaşımlar gerekebilir. Modelin karmaşıklığından çok araştırma sorusuyla uyumu, tanı kontrolleri ve yeni verilerdeki tahmin başarısı önemlidir.

İstanbul Kent Üniversitesi Yaşam Boyu Eğitim Merkezi tarafından sunulan R ile Tek Denklemli Doğrusal ve Doğrusal Olmayan Zaman Serileri Analizi; zaman serilerindeki dinamikleri R üzerinden inceleme, uygun modeli seçme, parametreleri tahmin etme, model doğrulama ve sonuçları değerlendirme konularına yönelik bir öğrenme çerçevesi sunmaktadır.