Kirish va Asosiy Tushunchalar

TL;DR

Ekonometride, polinom laglar zaman serisi modellerinde gecikmeli değişkenlerin etkisini esnek bir şekilde modellemek için kullanılır. Ortak kökler ve tekil kökler, sistemlerin dinamiklerini ve durağanlık özelliklerini belirler. Durağanlık, serilerin zaman içinde ortalama ve varyansının sabit kalması anlamına gelir.

1. The Mental Model

Bir olayın bugünkü değeri, sadece bugünkü faktörlere değil, geçmişteki faktörlere de bağlı olabilir. Polinom laglar, bu geçmiş etkilerin nasıl azalıp arttığını anlamamıza yardımcı olan bir "filtre" gibidir. Ortak ve tekil kökler, bu filtrelerin "ayar düğmeleri" olup, sistemin uzun vadeli davranışını (durağan olup olmadığını) belirler.

2. The Core Material

Ekonometride, zaman serisi verileriyle çalışırken, bir değişkenin geçmiş değerlerinin (gecikmelerinin) bugünkü değer üzerindeki etkisini modellemek sıkça karşılaşılan bir durumdur. Bu etkileri modellemenin güçlü bir yolu polinom laglar (veya distributed lag modelleri) kullanmaktır.

Polinom Laglar

Photo by Sergey Meshkov on Pexels

Polinom laglar, gecikmeli değişkenlerin katsayılarının belirli bir polinom fonksiyonu ile ifade edildiği modellerdir. Bu, her gecikme için ayrı bir parametre tahmin etmek yerine, daha az sayıda parametreyle gecikme yapısını modellememizi sağlar ve bu da tahmin verimliliğini artırır. Örneğin, $Y_t = \alpha + \sum_{i=0}^k \beta_i X_{t-i} + \epsilon_t$ gibi bir modelde, $\beta_i$ katsayıları üzerinde bir kısıtlama uygulanır. En yaygın kullanılanı Almon polinom lagıdır.

Almon Polinom Lagı:
Bu yöntemde, $\beta_i$ katsayıları belirli bir dereceden bir polinom olarak ifade edilir: $\beta_i = a_0 + a_1 i + a_2 i^2 + \dots + a_p i^p$. Burada $p$ polinomun derecesidir ve $p < k$ (maksimum gecikme) olmalıdır. Bu yaklaşım, gecikme katsayılarının yumuşak bir yapıya sahip olduğunu varsayar.

Genel Kökler (Ortak Kökler)

Photo by A P on Pexels

Bir dinamik modelde, özellikle ARMA (Otokorelatif Hareketli Ortalama) modellerinde, kökler sistemin dinamiklerini anlamak için kritik öneme sahiptir.
Bir polinomun kökleri, polinomu sıfıra eşitleyen değerlerdir. Ekonometrik modellerde, özellikle karakteristik denklemlerin kökleri, bir zaman serisinin durağan olup olmadığını veya hangi tür dinamiklere sahip olduğunu belirler.

Bir ARMA(p, q) modeli: $Y_t - \phi_1 Y_{t-1} - \dots - \phi_p Y_{t-p} = \epsilon_t + \theta_1 \epsilon_{t-1} + \dots + \theta_q \epsilon_{t-q}$
Bu modelin otoregresif kısmı için karakteristik denklem: $1 - \phi_1 L - \dots - \phi_p L^p = 0$
Hareketli ortalama kısmı için karakteristik denklem: $1 + \theta_1 L + \dots + \theta_q L^q = 0$
Burada $L$ gecikme operatörüdür ($L Y_t = Y_{t-1}$).

Ortak Kökler:
Eğer otoregresif polinomun ve hareketli ortalama polinomunun ortak bir kökü varsa, bu durum modelin indirgenebilir olduğu anlamına gelebilir. Yani, modelin hem AR hem de MA kısmında aynı dinamik iptal edilebilir. Bu, modelin gereksiz karmaşık olduğunu ve daha basit bir modelle aynı bilginin elde edilebileceğini gösterir. Ortak kökler, model tahmininde sorunlara (örneğin parametrelerin tanımlanmamasına) yol açabilir.

Durağanlık (Stationarity)

Photo by Pixabay on Pexels

Zaman serisi analizinde durağanlık, bir serinin istatistiksel özelliklerinin (ortalama, varyans ve otokorelasyon gibi) zaman içinde sabit kalması demektir. Durağanlık, birçok ekonometrik tekniğin (örneğin OLS tahmincisinin tutarlı olması) geçerliliği için temel bir varsayımdır.

Zayıf Durağanlık (Covariance Stationarity):
Bir zaman serisi $Y_t$ zayıf durağandır eğer aşağıdaki koşulları sağlıyorsa:
1. Ortalama sabittir: $E(Y_t) = \mu$ (sabit bir değer)
2. Varyans sabittir: $Var(Y_t) = E[(Y_t - \mu)^2] = \sigma^2$ (sabit bir değer)
3. Kovaryans, sadece gecikmeye bağlıdır, zamana değil: $Cov(Y_t, Y_{t-k}) = E[(Y_t - \mu)(Y_{t-k} - \mu)] = \gamma_k$ (k'ya bağlı bir değer)

Durağanlık Şartları (AR Modelleri için):
Bir AR(p) modeli ($Y_t = \phi_1 Y_{t-1} + \dots + \phi_p Y_{t-p} + \epsilon_t$) durağan olması için, karakteristik denklemin $1 - \phi_1 L - \dots - \phi_p L^p = 0$ köklerinin hepsinin birim çemberin dışında olması (yani mutlak değerlerinin 1'den büyük olması) gerekir. Eşdeğer olarak, $1/\lambda$ (burada $\lambda$ karakteristik denklemin kökleri) köklerinin birim çemberin içinde olması gerekir (yani mutlak değerlerinin 1'den küçük olması).

Tekil Kökler (Unit Roots)

Photo by Olya Tiutkina on Pexels

Tekil kök, karakteristik denklemin köklerinden birinin tam olarak 1'e eşit olması durumudur. Eğer birim kök varsa, zaman serisi durağan değildir. Bu tür seriler birim kök süreci veya rastgele yürüyüş olarak adlandırılır.

Birim Kökün Etkileri:
* Durağan Değil: Ortalama ve varyans zamanla değişir.
* Kalıcı Şoklar: Birim köklü bir serideki bir şokun etkisi sonsuza kadar kalıcı olur, zamanla sönmez.
* Yanlış Regresyon (Spurious Regression): Birim köklü serilerle yapılan standart regresyonlarda, aslında aralarında ilişki olmasa bile anlamlı bir ilişki varmış gibi görünen sahte sonuçlar elde edilebilir.

Birim kök varlığını test etmek için Dickey-Fuller testi gibi özel testler kullanılır. Birim köklü seriler genellikle fark alınarak durağan hale getirilir ($ \Delta Y_t = Y_t - Y_{t-1}$).

graph TD
    A["Zaman Serisi Analizi"] --> B{"Model Dinamikleri Belirleme"};
    B --> C["Polinom Laglar Kullanımı"];
    C --> D["Gecikme Katsayıları"];
    B --> E{"Karakteristik Denklem Kökleri"};
    E --> F{"Kökler Birim Çember Dışında mı?"};
    F -- "Evet" --> G["Durağan Seri"];
    F -- "Hayır" --> H{"Kökler Birim Çember Üzerinde mi (Tekil Kök)?"};
    H -- "Evet" --> I["Durağan Olmayan Seri (Birim Kök)"];
    H -- "Hayır" --> J["Durağan Olmayan Seri (Diğer Durumlar)"];
    I --> K["Fark Alarak Durağanlaştırma"];
    E --> L{"Ortak Kök Var mı?"};
    L -- "Evet" --> M["Model İndirgenebilir / Tanımlanmamış"];
    L -- "Hayır" --> N["Model Düzgün Tanımlanmış"];

Polinom Laglar ve Diğer Kavramlarla İlişkisi

Polinom laglar, modelin yapısını basitleştirirken, elde edilen ARMA modelinin kökleri yine durağanlık ve dinamik özellikler hakkında bilgi verir. Örneğin, eğer bir modelde polinom laglar kullanılıyorsa, sonuçtaki karakteristik denklem hala köklerin birim çemberle ilişkisine bakılarak durağanlığı değerlendirilebilir. Ortak kökler, hem polinom lagların kısıtlamaları altında hem de genel ARMA modelinde ortaya çıkabilir ve modelin yorumlanmasını etkiler.

3. Worked Example

Farz edelim ki ekonomik büyümenin ($Y_t$), geçmiş faiz oranlarına ($X_t$) nasıl tepki verdiğini modellemek istiyoruz. Klasik bir yaklaşım, $Y_t = \beta_0 + \beta_1 X_t + \beta_2 X_{t-1} + \beta_3 X_{t-2} + \epsilon_t$ gibi bir model kullanmaktır. Ancak, 3 ayrı $\beta$ parametresi tahmin etmek yerine, Almon polinom lagını 1. dereceden bir polinomla uygulamak isteyelim.

$\beta_i = a_0 + a_1 i$ olarak tanımlarsak (burada $i$ gecikme sırası, yani $i=0, 1, 2$):
* $\beta_0 = a_0 + a_1(0) = a_0$
* $\beta_1 = a_0 + a_1(1) = a_0 + a_1$
* $\beta_2 = a_0 + a_1(2) = a_0 + 2a_1$

Şimdi bu denklemleri orijinal modele yerine koyarsak:
$Y_t = \beta_0 + (a_0 + a_1) X_{t-1} + (a_0 + 2a_1) X_{t-2} + \epsilon_t$
$Y_t = a_0 X_t + a_0 X_{t-1} + a_1 X_{t-1} + a_0 X_{t-2} + 2a_1 X_{t-2} + \epsilon_t$ (Burada bir hata var, ilk $\beta_0$ katsayısı $X_t$'nin katsayısıdır)

Doğru şekilde yerleştirirsek:
$Y_t = (a_0 + a_1 \cdot 0) X_t + (a_0 + a_1 \cdot 1) X_{t-1} + (a_0 + a_1 \cdot 2) X_{t-2} + \epsilon_t$
$Y_t = a_0 X_t + (a_0 + a_1) X_{t-1} + (a_0 + 2a_1) X_{t-2} + \epsilon_t$
$Y_t = a_0 (X_t + X_{t-1} + X_{t-2}) + a_1 (X_{t-1} + 2X_{t-2}) + \epsilon_t$

Bu durumda, yeni regresyon denklemi $Y_t = a_0 Z_{0,t} + a_1 Z_{1,t} + \epsilon_t$ şeklini alır, burada:
$Z_{0,t} = X_t + X_{t-1} + X_{t-2}$
$Z_{1,t} = X_{t-1} + 2X_{t-2}$

Bu yeni $Z$ değişkenlerini oluşturarak ve $Y_t$'yi bunlara regresyon yaparak $a_0$ ve $a_1$ katsayılarını tahmin edebiliriz. Tahmin edilen $a_0$ ve $a_1$ değerlerinden sonra, orijinal $\beta_0, \beta_1, \beta_2$ katsayıları hesaplanabilir. Bu yöntem, sadece 2 parametre ($a_0, a_1$) tahmin ederek 3 gecikmenin etkisini modellememizi sağlar ve daha parsimoniyel (az parametreli) bir model sunar.

4. Key Takeaways

• Polinom laglar, gecikmeli değişkenlerin katsayılarını bir polinom fonksiyonu ile kısıtlayarak, modelin esnekliğini korurken parametre sayısını azaltır ve tahmin verimliliğini artırır.
• Ortak kökler, bir modelin AR ve MA polinomlarında aynı kökün bulunması durumunda ortaya çıkar, bu da modelin daha basit bir forma indirgenebileceğini veya model tanımlama sorunları olduğunu gösterir.
• Durağanlık, bir zaman serisinin ortalama, varyans ve otokorelasyonunun zamanla değişmediği istatistiksel bir özelliktir. Ekonometrik modellerin geçerli olması için genellikle durağanlık varsayımı önemlidir.
• Tekil kök (birim kök), bir karakteristik denklemin köklerinden birinin 1'e eşit olması durumudur ve serinin durağan olmadığını, kalıcı şoklara maruz kaldığını gösterir.
• Birim kökler, standart ekonometrik regresyonlarda sahte regresyon problemlerine yol açabilir ve bu nedenle birim kök testleri kritik öneme sahiptir.
• Birim köklü seriler genellikle fark alarak durağan hale getirilir, bu işlem şokların kalıcı etkisini ortadan kaldırır.

Kaçınılması Gereken Yaygın Hatalar

• Polinom lag derecesini çok yüksek seçmek, parametre sayısını artırarak tahmin verimliliğini düşürebilir ve aşırı uydurmaya (overfitting) yol açabilir.
• Birim kök testleri yapmadan veya serilerin durağanlığını incelemeden durağan olmayan serilerle doğrudan regresyon yapmak, yanlış ve geçersiz sonuçlara neden olabilir.
• Ortak köklerin varlığını göz ardı etmek, modelin gereksiz karmaşık veya tanımlanmamış olmasına yol açarak güvenilir olmayan tahminlere neden olabilir.
• Polinom lagların yalnızca gecikme katsayılarının yumuşak bir yapıya sahip olduğu durumlar için uygun olduğunu unutmak; bu varsayımın geçerli olmadığı durumlarda farklı gecikme yapıları (örneğin geometrik laglar) daha iyi olabilir.

5. Now Try It

Bir ekonomi dergisinden yıllık enflasyon ve işsizlik oranı verilerini (örneğin son 20 yıl için) bulun. Enflasyonun geçmiş işsizlik oranlarına nasıl tepki verdiğini modellemek için 2. dereceden bir Almon polinom lag modeli uygulayın. Maksimum 3 gecikme kullanın. Modelinizi tahmin edin ve elde ettiğiniz lag katsayılarını yorumlayın. Ardından, enflasyon serinizin birim köke sahip olup olmadığını Dickey-Fuller testi ile kontrol edin.

Başarı ölçütü: Verileri uygun şekilde işleyerek Almon polinom lag modelini kurup tahmin edebilmeli, elde edilen katsayıları yorumlayabilmeli ve enflasyon serisinin durağanlığı hakkında Dickey-Fuller testi sonucuna göre bir sonuca varabilmelisiniz.