Zaman Serileri Analizi: Durağanlık, Tahmin ve Ekonomik Yorum

Bir veri dizisini zaman serisi yapan özellikler

Zaman serisi, zaman sırasına göre gözlenen değerler dizisidir. Gözlemler eşit aralıklı olabilir; düzensiz aralıklı seriler için özel yöntemler veya yeniden örnekleme gerekebilir. Günlük, haftalık, aylık veya yıllık aralıklar kullanılabilir; fakat analizde aynı serinin gözlem aralığının tutarlı olması önemlidir. Örneğin aylık enflasyon oranları ile günlük hisse kapanışlarını aynı zaman ölçeğinde değerlendirmek doğrudan uygun değildir.

Bir zaman serisi genellikle dört hareketin birleşimi olarak düşünülür: trend, mevsimsellik, döngüsel hareket ve düzensiz bileşen. Trend, uzun dönemdeki genel yönü; mevsimsellik, yılın belirli aylarında veya dönemlerinde tekrar eden düzenli hareketi ifade eder. Döngüsel hareketler ekonomik genişleme ve daralma gibi daha uzun ve sabit bir takvime bağlı olmayan dalgalanmalardır. Düzensiz bileşen ise modelin açıklayamadığı rastlantısal kısımdır. Bu bileşenlerin her seride aynı güçte bulunması gerekmez.

Analize başlamadan önce şu sorular sorulmalıdır: Veri akışı düzenli mi, eksik gözlem var mı, ölçüm birimi zaman içinde değişmiş mi, seride ani kırılma veya politika değişimi bulunuyor mu? Ayrıca düzey ile değişim oranı birbirinden ayrılmalıdır. Bir fiyat düzeyi yükselen bir trend gösterebilirken, fiyatın dönemsel değişimi daha farklı bir davranış sergileyebilir. Yanlış değişken biçimi seçmek, modelin yorumunu doğrudan etkiler.

Zaman serisi analizinin ekonomik modelleme içindeki rolü, geçmiş gözlemler arasındaki dinamik ilişkileri açıkça kurmaktır. Bu nedenle bir gözlemin diğerlerinden bağımsız olduğu varsayımı, kesitsel verilerdeki kadar rahat kullanılamaz.

Durağanlık: modele geçmeden önce verilen karar

Zayıf durağan bir serinin ortalaması ve varyansı zaman boyunca sabittir; iki gözlem arasındaki kovaryans ise takvimdeki mutlak konuma değil, aralarındaki gecikmeye bağlıdır. Başka bir ifadeyle, serinin istatistiksel davranışı yalnızca t döneminde bulunmasına göre değişmemelidir. Bu koşul, özellikle ARMA türü modellerin anlamlı biçimde kurulması için önemlidir.

Durağan olmayan bir seride ortalama zamanla sürüklenebilir, varyans büyüyebilir veya şokların etkisi uzun süre kalabilir. Böyle bir seriyi başka bir yükselen seriyle düzeyde karşılaştırmak yüksek korelasyon üretebilir; ancak bu korelasyon gerçek bir ekonomik ilişkiyi temsil etmeyebilir. Bu durum sahte regresyon riski olarak bilinir.

Durağanlık kararı yalnızca grafiğe bakılarak verilmemelidir. Grafik, trend veya değişen yayılım hakkında ilk ipucunu sağlar; birim kök testleri gibi istatistiksel araçlar ise test çerçevesi sunar. Kaynak metinde örnek olarak Dickey-Fuller testi belirtilmektedir. Test sonucunun nasıl yorumlanacağı, kurulan sıfır ve alternatif hipoteze bağlıdır; bu yüzden yalnızca test istatistiğinin büyüklüğünü ezberlemek yerine hangi hipotezin reddedildiği kontrol edilmelidir.

Durağan olmayan bir seri için fark alma uygulanabilir: $\Delta Y_t=Y_t-Y_{t-1}$. Bu işlem, düzeyler arasındaki değişimi modeller. Ancak fark alma, uzun dönem bilgisinin bir kısmını değiştirebilir ve gereğinden fazla fark almak serinin yapısını bozabilir. İki serinin düzeyleri durağan değilken belirli bir doğrusal birleşimi durağansa, onları yalnızca ayrı ayrı farklamak yerine eşbütünleşme çerçevesi değerlendirilmelidir.

ACF ve PACF ile geçmiş bağımlılığın okunması

Otokorelasyon, serinin kendi gecikmeli değerleriyle olan ilişkisidir. Gecikme 1, $Y_t$ ile $Y_{t-1}$ arasındaki; gecikme 2 ise $Y_t$ ile $Y_{t-2}$ arasındaki ilişkiyi ifade eder. Pozitif otokorelasyon, yüksek değerlerin yüksek değerleri veya düşük değerlerin düşük değerleri izleme eğilimini gösterir. Negatif otokorelasyon ise zıt yönlü hareket eğilimine işaret eder.

ACF, farklı gecikmelerdeki toplam otokorelasyon yapısını gösterir. PACF ise aradaki gecikmelerin etkileri kontrol edildikten sonra belirli bir gecikmedeki kısmi korelasyonu gösterir; bu ölçü nedensel bir doğrudan etki olarak yorumlanmamalıdır. Bu ayrım model derecesi hakkında fikir verir; ancak ACF veya PACF grafiği tek başına nihai model seçimi değildir. Durağanlık, ekonomik anlam, örneklem büyüklüğü ve artıkların tanısı da birlikte değerlendirilmelidir.

AR(p) modelinde mevcut değer, kendi geçmiş değerlerinin doğrusal birleşimiyle açıklanır. MA(q) modelinde ise mevcut değer, geçmiş hata terimleriyle ilişkilendirilir. ARMA(p,q), iki yapıyı birleştirir ve durağan seriler için kullanılır. Buradaki $p$ geçmiş gözlem sayısını, $q$ ise modele alınan geçmiş hata sayısını temsil eder.

Model kurulduktan sonra artıklar incelenmelidir. Artıkların ortalaması sıfıra yakın, varyansı uygun biçimde sabit ve anlamlı otokorelasyondan arınmış olması beklenir. Artıklarda sistematik bir örüntü kalıyorsa model serinin önemli bir dinamiğini açıklayamamış olabilir. Beyaz gürültü, ortalaması sıfır, sabit varyanslı ve otokorelasyonsuz hata sürecidir; bu ideal koşul sağlanmıyorsa tahmin belirsizliği ve model tanısı yeniden ele alınmalıdır.

AR, MA ve ARMA denklemlerini yorumlama

AR(p) modeli şu biçimdedir: $Y_t=c+\phi_1Y_{t-1}+\phi_2Y_{t-2}+\dots+\phi_pY_{t-p}+\epsilon_t$

Burada $c$ sabit terim, $\phi_i$ geçmiş değerlerin katsayıları ve $\epsilon_t$ yeni hata terimidir. Katsayının işareti, ilgili gecikmenin diğer model terimleri sabitken koşullu doğrusal katsayısını gösterir. Dinamik tepkinin yönü ve kalıcılığı tüm katsayılar ile durağanlık koşulları birlikte değerlendirilerek yorumlanmalıdır. Katsayının büyük olması tek başına nedensellik anlamına gelmez; modeldeki diğer değişkenler ve durağanlık koşulu da dikkate alınmalıdır.

MA(q) modeli şöyledir: $Y_t=\mu+\epsilon_t+\theta_1\epsilon_{t-1}+\theta_2\epsilon_{t-2}+\dots+\theta_q\epsilon_{t-q}$

MA modelinde geçmişteki gözlemler doğrudan değil, geçmiş şoklar veya hata terimleri üzerinden yer alır. Bu nedenle MA terimleri, serinin bir şoka verdiği kısa dönemli tepkiyi temsil etmede yararlı olabilir.

ARMA(p,q) modeli bu iki bileşeni birleştirir: $Y_t=c+\phi_1Y_{t-1}+\dots+\phi_pY_{t-p}+\epsilon_t+\theta_1\epsilon_{t-1}+\dots+\theta_q\epsilon_{t-q}$

Bu modellerin düzey seriye uygulanabilmesi için durağanlık koşulu önemlidir. Seri durağan değilse fark alma sonrasında ARMA yapısı incelenebilir; bu yaklaşım ARIMA ailesiyle ilişkilidir. Buna karşın, fark almak otomatik ve koşulsuz bir çözüm değildir. Serinin ekonomik anlamını, uzun dönem ilişkilerini ve test sonuçlarını kaybetmeden karar verilmelidir.

Birim kök, eşbütünleşme ve uzun dönem dengesi

Birim kök, şokların seride kalıcı etki bırakabildiği durağan olmayan bir yapıyla ilişkilidir. Rastsal yürüyüş, geçmişteki bir şokun etkisinin kendiliğinden ortadan kalkmadığı tipik bir örnektir. Bu yapıda düzey değerleri yerine farklar daha istikrarlı olabilir; fakat fark serisi, uzun dönem düzey bilgisini doğrudan aynı biçimde taşımaz.

Aynı bütünleşme derecesine sahip durağan olmayan serilerin, özellikle I(1) serilerin, doğrusal birleşimi durağansa bu seriler eşbütünleşik kabul edilebilir. Bu durum uygun testlerle doğrulanmalıdır. Örneğin iki ekonomik değişken kısa dönemde birbirinden uzaklaşsa da, uzun dönemde aralarında denge ilişkisi bulunabilir. Böyle bir durumda serileri yalnızca farklayarak kısa dönem hareketlerini modellemek, uzun dönem bağlantıyı gözden kaçırabilir. Eşbütünleşme yaklaşımı, kısa dönem sapmaları ile uzun dönem dengeyi birlikte değerlendirmeyi amaçlar.

Bu kavramın sınırı önemlidir: Her birlikte yükselen iki seri eşbütünleşik değildir. Eşbütünleşme iddiası, serilerin bütünleşme derecesi ve uygun istatistiksel testlerle desteklenmelidir. Ayrıca eşbütünleşme, tek başına nedensellik kanıtı değildir; yalnızca belirli bir uzun dönem doğrusal ilişkinin varlığına işaret eder.

Finansal serilerde fiyat ile volatiliteyi ayırmak

Finansal uygulamalarda fiyat düzeyi, getiri ve volatilite aynı şey değildir. Fiyat serisi çoğu zaman trendli veya durağan olmayan bir davranış gösterebilirken, fiyat değişimleri ya da getiriler farklı istatistiksel özelliklere sahip olabilir. Bu nedenle modelleme amacının fiyat seviyesini mi, getiriyi mi, yoksa belirsizliğin zaman içindeki değişimini mi açıkladığı açıkça belirtilmelidir.

Finansal serilerde büyük hareketlerin büyük hareketleri, küçük hareketlerin de küçük hareketleri takip etmesi volatilite kümelenmesi olarak adlandırılır. Burada getirilerin ortalamasında güçlü bir otokorelasyon bulunmayabilir; buna karşın getirilerin karesi veya mutlak değeri zaman içinde kümelenebilir. ARCH ve GARCH modelleri, koşullu varyansın değişmesine izin vererek bu yapıyı incelemek için kullanılır.

Bu modellerin amacı gelecekteki fiyatı kesin olarak bilmek değil, belirsizliğin veya riskin zamanla nasıl değiştiğini tahmin etmektir. Volatilite tahmini risk yönetimi ve opsiyon fiyatlandırması gibi alanlarda kullanılabilir; ancak veri dönemi, model varsayımları ve olağanüstü piyasa koşulları sonuçların güvenilirliğini etkiler. Geçmiş volatilite düzeninin kriz dönemlerinde aynı kalacağı varsayılmamalıdır.

Adım adım çözümlü örnekler

Örnek 1 — Birinci farkın hesaplanması ve yorumlanması

Verilenler: Bir göstergenin ardışık üç dönem düzey değerleri $Y_1=100$, $Y_2=106$ ve $Y_3=103$ olsun. Bu sayılar yalnızca yöntemi göstermek için kullanılan varsayımsal değerlerdir.

1. Birinci farkı tanımla: $\Delta Y_t=Y_t-Y_{t-1}$.
2. İkinci dönemin farkını hesapla: $\Delta Y_2=106-100=6$.
3. Üçüncü dönemin farkını hesapla: $\Delta Y_3=103-106=-3$.
4. İşareti yorumla: İkinci dönemde düzey 6 birim artmış, üçüncü dönemde önceki döneme göre 3 birim azalmıştır.

Sonuç: Fark alma, düzeyin kendisini değil dönemler arası değişimi verir. Bu iki farkın bulunması, serinin durağan hale geldiğini kanıtlamaz; durağanlık kararı için serinin tamamı ve uygun testler incelenmelidir. Ayrıca farkı alınmış serinin ortalaması veya varyansı zaman içinde hâlâ değişebilir.

Örnek 2 — Basit AR(1) tahmini

Verilenler: $Y_t=10+0{,}6Y_{t-1}+\epsilon_t$ modeli ve bir önceki gözlem $Y_{t-1}=20$ olsun. Tahmin anında yeni hata için beklenen değer $E(\epsilon_t)=0$ kabul edilir.

1. Modeldeki bilinen değerleri yerine koy: $\hat{Y}_t=10+0{,}6(20)$.
2. Çarpımı hesapla: $0{,}6\times20=12$.
3. Sabit terimi ekle: $\hat{Y}_t=10+12=22$.
4. Yorumu yap: Model, yeni hata teriminin beklenen değeri sıfırken mevcut değeri 22 olarak tahmin eder. $0{,}6$ katsayısı, geçmiş gözlem ile mevcut değer arasındaki model içi doğrusal bağlantıyı temsil eder; bu katsayı tek başına nedensellik veya kesin gelecek sonucu göstermez.

Sonuç: AR modeli geçmiş gözlemi kullanarak koşullu bir tahmin üretir. Tahmin aralığı ve belirsizlik için hata varyansı ile modelin tanı sonuçları da gerekir; yalnızca 22 sayısını vermek yeterli bir risk değerlendirmesi değildir.

Sık yapılan hatalar ve karıştırılan kavramlar

1. Korelasyonu nedensellik sanmak: Yüksek otokorelasyon, geçmiş ve mevcut değerlerin ilişkili olduğunu gösterir; tek başına ekonomik neden-sonuç ilişkisi kurmaz.

2. Durağanlığı yalnızca ortalamaya bakarak değerlendirmek: Durağanlıkta ortalama yanında varyansın ve gecikmeye bağlı kovaryans yapısının da dikkate alınması gerekir.

3. Fark almayı otomatik çözüm kabul etmek: Fark alma kısa dönem değişimi görünür kılabilir; ancak uzun dönem denge ilişkisini gizleyebilir ve gereğinden fazla uygulandığında bilgi kaybı doğurabilir.

4. ACF ile PACF’yi aynı kavram sanmak: ACF toplam gecikmeli ilişkiyi, PACF ise aradaki gecikmelerin etkileri kontrol edildikten sonraki kısmi korelasyonu gösterir; bu ölçü nedensel bir doğrudan etki olarak yorumlanmamalıdır.

5. Beyaz gürültüyü sıfır değerli hata sanmak: Beyaz gürültünün ortalaması sıfır olabilir; fakat gözlenen her hata sıfır olmak zorunda değildir. Beklenen özellik, hatalarda sistematik otokorelasyon bulunmamasıdır.

6. Fiyat ile getiriyi karıştırmak: Fiyat düzeyi ile dönemsel fiyat değişimi farklı serilerdir. Birinin durağanlık veya volatilite özelliği diğerine doğrudan aktarılmaz.

7. İyi uyumu iyi tahmin sanmak: Model geçmiş veriyi iyi açıklasa bile yapısal kırılmalar, krizler veya politika değişiklikleri gelecekteki performansı düşürebilir.

8. Eşbütünleşmeyi birlikte hareket etmekle eşitlemek: İki seri aynı yönde yükseliyor diye aralarında istatistiksel olarak doğrulanmış uzun dönem dengesi bulunduğu söylenemez.