Ekonometriyada Polinom Laglariga Kirish

TL;DR

Polinom laglar, ekonometrik modellerde gecikmeli değişkenlerin etkilerini esnek bir şekilde modellemek için kullanılır. Ortak kökler, birden fazla polinomun aynı çözüme sahip olduğu durumları ifade ederken, tekil çözümler modelde benzersiz bir denge noktası bulunmasını sağlar. Bu konseptler, ekonometrik modellerin stabilitesini ve yorumlanabilirliğini anlamak için kritiktir.

1. The Mental Model

Bir ekonomideki olayların hemen değil, zamanla yayılan etkileri olduğunu düşünün. Polinom laglar, bu "yayılmayı" matematiksel olarak, karmaşık gecikme yapıları için basit bir yol sunarak yakalamamıza yardımcı olur. Ortak kökler, farklı zaman gecikmelerinin benzer temel dinamiklere sahip olabileceğini gösterirken, tekil çözümler sistemin belirli bir denge durumuna nasıl oturduğunu anlamamızı sağlar.

2. The Core Material

Polinom laglar, ekonometrik modellerde bir bağımsız değişkenin bağımlı değişken üzerindeki etkisinin zaman içinde nasıl değiştiğini modellemek için kullanılır. Özellikle, bir değişkenin geçmişteki değerlerinin bugünkü çıktı üzerindeki etkilerini belirli bir fonksiyonel biçim (genellikle bir polinom) aracılığıyla ifade ederiz. Bu, genellikle gecikmeli değişkenlerin katsayılarını sınırlayarak modelin daha az parametreyle daha esnek olmasını sağlar.

2.1 Polinom Lagların Temelleri

Photo by Sergey Meshkov on Pexels

Bir polinom lag modeli, bağımlı değişken $Y_t$'nin bağımsız değişken $X_t$'nin gecikmeli değerlerine nasıl tepki verdiğini gösterir:

$Y_t = \alpha + \sum_{i=0}^{k} \beta_i X_{t-i} + \epsilon_t$

Burada $\beta_i$ katsayıları bir polinom ile ilişkilidir. Örneğin, bir ikinci derece polinom lagı için:

$\beta_i = a_0 + a_1 i + a_2 i^2$

Bu, $k$ gecikme katsayısı yerine sadece $a_0, a_1, a_2$ gibi çok daha az parametre tahmin etmemizi sağlar. Bu yaklaşım, Almon Lag olarak da bilinir ve gecikme dağılımının düzgün ve belirli bir şekle sahip olmasını varsayar.

2.2 Polinom Lag Modellerinin Avantajları

Photo by Sergey Meshkov on Pexels

• Parametre Azaltma: Çok sayıda gecikme katsayısı yerine daha az sayıda polinom katsayısı tahmin edilir, bu da serbestlik derecesini artırır ve çoklu doğrusallık sorununu azaltır.
• Düzgün Gecikme Yapısı: Gecikmeli etkilerin zamanla düzgün bir şekilde değiştiğini varsayar, bu da çoğu ekonomik fenomeni yansıtır.
• Kolay Yorumlanabilirlik: Tahmin edilen polinom katsayıları, gecikme etkisinin şekli hakkında bilgi verir (örneğin, artan, azalan, çan şeklinde).

2.3 Ortak Kökler (Common Roots)

Photo by Liudmyla Shalimova on Pexels

Ekonometride, "ortak kökler" kavramı genellikle iki farklı polinomun veya iki farklı denklemin (örneğin, iki farklı gecikme polinomunun) aynı çözüme sahip olduğu durumu ifade eder. Bu, özellikle karmaşık dinamik modellerde veya birden fazla değişkenin gecikme yapılarını incelediğimizde önem kazanır. Ortak köklerin varlığı, sistemin dinamik davranışında belirli bir ilişkinin veya sınırlamanın olduğunu gösterebilir. Örneğin, iki farklı regresyon modelinin hata terimlerinin otokorelasyon polinomlarının ortak kökleri varsa, bu durum modeller arasında gizli bir bağlantıyı veya belirli bir dinamik ilişkiyi ima edebilir. Bu, bazen uzun dönemli denge ilişkileriyle (eşbütünleşme) ilişkilendirilebilir.

2.4 Tekil Çözümler (Unique Solutions) ve Statsionarlik (Stationarity)

Photo by Zhengyang TIAN on Pexels

Bir ekonometrik modelde "tekil çözüm" genellikle modelin parametreleri için benzersiz bir denge noktasının var olduğu anlamına gelir. Polinom lag modellerinde, katsayıları tahmin ettiğimizde, bu katsayıların tek bir setinin mevcut olması, modelin iyi tanımlanmış olduğunu gösterir.

Statsionarlik (Durağanlık): Bir zaman serisi modelinin durağan olması, ortalamasının, varyansının ve otokorelasyon yapısının zamanla değişmediği anlamına gelir. Ekonometrik modellerde durağanlık, tahminlerin güvenilirliği ve yorumlanabilirliği için hayati öneme sahiptir. Polinom lag modelleri, bağımsız değişkenin durağan olduğunu varsayar. Eğer değişkenler durağan değilse, sahte regresyon (spurious regression) sorunları ortaya çıkabilir.

Bir polinom lag modelinin statsionarlik koşulları, genellikle gecikme operatörü cinsinden ifade edilen karakteristik denklemin köklerinin birim çemberin dışında olması gerektiği anlamına gelir. Eğer köklerden biri birim çemberin içindeyse veya üzerindeyse, seri durağan değildir ve uzun vadeli dinamikler tahmin edilemez hale gelebilir. Tekil çözümün varlığı, modelin dengeye ulaşabileceği anlamında durağanlıkla yakından ilişkilidir.

graph TD
    A["Polinom Lag Modeli Başlangıcı"] --> B{Gecikme Katsayıları Belirle?};
    B -- Evet --> C["Çok Sayıda Katsayı (Karmaşık)"];
    B -- Hayır --> D["Polinom Kısıtlaması Uygula (Almon Lag)"];
    D --> E["Daha Az Parametre Tahmini"];
    E --> F["Daha Düzgün Gecikme Dağılımı"];
    F --> G{Model Durağan mı?};
    G -- Hayır --> H["Durağanlık Testleri (ADF, KPSS)"];
    G -- Evet --> I["Tekil Çözüm Var mı?"];
    I -- Evet --> J["Güvenilir Tahminler ve Yorumlar"];
    I -- Hayır --> K["Model Yeniden Formüle Et/Kontrol Et"];
    J --> L["Politika Çıkarımları"];

3. Worked Example

Diyelim ki bir ülkenin enflasyonunu (Y) geçmişteki para arzı büyümesine (X) bağlayan bir model kurmak istiyoruz. 4 gecikmeli para arzı büyümesi kullanıyoruz: $X_{t-1}, X_{t-2}, X_{t-3}, X_{t-4}$. Geleneksel olarak 4 ayrı katsayı tahmin etmemiz gerekir ($\beta_1, \beta_2, \beta_3, \beta_4$).

Polinom lag yaklaşımını kullanarak, katsayıları bir ikinci derece polinom ile sınırlayalım: $\beta_i = a_0 + a_1 i + a_2 i^2$. Gecikme endeksi $i=1, 2, 3, 4$ için:

• $\beta_1 = a_0 + a_1(1) + a_2(1)^2 = a_0 + a_1 + a_2$
• $\beta_2 = a_0 + a_1(2) + a_2(2)^2 = a_0 + 2a_1 + 4a_2$
• $\beta_3 = a_0 + a_1(3) + a_2(3)^2 = a_0 + 3a_1 + 9a_2$
• $\beta_4 = a_0 + a_1(4) + a_2(4)^2 = a_0 + 4a_1 + 16a_2$

Şimdi, orijinal regresyon denklemimiz $Y_t = \alpha + \beta_1 X_{t-1} + \beta_2 X_{t-2} + \beta_3 X_{t-3} + \beta_4 X_{t-4} + \epsilon_t$ yerine, $\beta_i$ ifadelerini yerine koyarız ve terimleri $a_0, a_1, a_2$ etrafında gruplarız:

$Y_t = \alpha + a_0(X_{t-1} + X_{t-2} + X_{t-3} + X_{t-4}) + a_1(X_{t-1} + 2X_{t-2} + 3X_{t-3} + 4X_{t-4}) + a_2(X_{t-1} + 4X_{t-2} + 9X_{t-3} + 16X_{t-4}) + \epsilon_t$

Bu yeni formda, sadece $\alpha, a_0, a_1, a_2$ (toplam 4 parametre) tahmin etmemiz yeterli olur, orijinal 5 parametreye ($\alpha, \beta_1, \beta_2, \beta_3, \beta_4$) kıyasla. Bu, hem daha az parametreyle daha esnek bir gecikme yapısı sağlar hem de çoklu doğrusallık riskini azaltır. Örneğin, tahmin edilen $a_0, a_1, a_2$ katsayıları $1.5, -0.2, 0.01$ ise, her bir $\beta_i$ katsayısını bu değerleri kullanarak hesaplayabiliriz.

4. Key Takeaways

• Polinom laglar, ekonometrik modellerde gecikmeli değişkenlerin etkilerini esnek ve parsimoniel bir şekilde modellemek için kullanılır.
• Almon Lag, polinom lagların özel bir durumudur ve gecikme katsayılarını bir polinom ile kısıtlar.
• Bu yöntem, tahmin edilecek parametre sayısını azaltarak çoklu doğrusallık sorununu hafifletir ve modelin serbestlik derecesini artırır.
• Ortak kökler, farklı gecikme yapılarının veya denklemlerin temel dinamiklerde benzer çözümlere sahip olabileceğini gösterir.
• Tekil çözümler, modelin parametreleri için benzersiz bir denge noktasının varlığını ifade eder ve güvenilir tahminler için önemlidir.
• Durağanlık (statsionarlik), zaman serisi verilerinin istatistiksel özelliklerinin zamanla değişmediği anlamına gelir ve polinom lag modellerinin güvenilirliği için kritiktir.

Ortak Hatalar:
- Gecikme sayısını (k) uygun olmayan bir şekilde seçmek, modele ya çok fazla ya da çok az esneklik katabilir.
- Polinom derecesini yanlış belirlemek, gecikme dağılımının gerçek yapısını yansıtmayabilir.
- Durağanlık testlerini ihmal etmek, sahte regresyonlara ve geçersiz çıkarımlara yol açabilir.
- Sınır kısıtlamalarını (örneğin, gecikme dağılımının başlangıçta veya sonda sıfır olması) göz ardı etmek, gerçekçi olmayan gecikme yapıları üretebilir.

5. Now Try It

Bir finansal zaman serisi veri seti (örneğin, bir hisse senedi getirisi serisi) bulun. Bu seriyi kullanarak, geçmişteki getirilerin bugünkü getiriler üzerindeki etkisini modellemek için bir Almon Polinom Lag modeli kurmaya çalışın. Modelinizde 6 gecikme kullanın ve katsayıları ikinci derece bir polinom ile kısıtlayın. Ardından, modelin durağanlık koşullarını kısaca tartışın ve neden önemli olduğunu açıklayın. Başarılı bir sonuç, tahmin edilen polinom katsayıları ($a_0, a_1, a_2$) ile birlikte, her bir gecikmenin ($\beta_1, ..., \beta_6$) tahmini etkisini gösterebilmeniz olacaktır.