Durağan Zaman Serisi Modelleri Practice Questions — KPSS İstatistik — Page 2

Durağan bir zaman serisinin ilk iki gecikmesine ait otokorelasyon katsayıları aşağıdaki tabloda verilmiştir:

Gecikme ( $k$ )	Otokorelasyon ( $\rho_k$ )
1	$0,6$
2	$0,52$

Bu bilgilere dayanarak, serinin ikinci dereceden kısmi otokorelasyon katsayısının ( $\phi_{22}$ ) değeri aşağıdakilerden hangisidir?

0,16

0,25

0,36

0,52

0,64

Show answer & explanation

Answer: $0,25$

Answer

İkinci dereceden kısmi otokorelasyon katsayısı

0,25

olarak hesaplanır.

Doğru cevap, ikinci dereceden kısmi otokorelasyon formülünün uygulanmasıyla elde edilen

0,25

değeridir. Formülde

\rho_1 = 0,6

ve

\rho_2 = 0,52

kullanıldığında pay

0,16

, payda ise

0,64

olur; bu iki değerin birbirine oranı ise tam olarak

0,25

sonucunu verir.

Step-by-Step Solution

1

Formülün Belirlenmesi

\phi_{22} = \frac{\rho_2 - \rho_1^2}{1 - \rho_1^2}

İkinci dereceden kısmi otokorelasyon katsayısı, Yule-Walker denklemlerinden türetilen bu standart formül ile hesaplanır.

2

Değerlerin Yerine Konulması

\phi_{22} = \frac{0,52 - (0,6)^2}{1 - (0,6)^2}

Verilen

\rho_1 = 0,6

ve

\rho_2 = 0,52

değerleri formüle yerleştirilir.

3

Aritmetik İşlemlerin Yapılması

\phi_{22} = \frac{0,52 - 0,36}{1 - 0,36} = \frac{0,16}{0,64}

Pay ve payda kısımlarındaki kare alma ve çıkarma işlemleri gerçekleştirilir.

4

Sonuç Hesaplama

\phi_{22} = 0,25

Elde edilen kesirli ifade sadeleştirilerek ondalık sonuca ulaşılır.

Key Concept

Kısmi Otokorelasyon Fonksiyonu (PACF) ve Yule-Walker İlişkisi

Estimated Time:1m 30s

Question 22Question →

$\epsilon_t$ beyaz gürültü sürecini ve $L$ gecikme operatörünü göstermek üzere,

(1 - 1,1L + 0,28L^2)Y_t = \epsilon_t

şeklinde ifade edilen bir zaman serisi süreci için aşağıdakilerden hangisi doğrudur?

Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Süreç durağandır ve otokorelasyon fonksiyonu (ACF) 2. gecikmeden sonra kesilir.

Süreç durağan bir MA(2) sürecidir ve tersinirlik koşulunu sağlar.

Süreç durağan değildir çünkü katsayılar toplamı

(\phi_1 + \phi_2)

birden büyüktür.

Süreç durağandır ve hem ACF hem de PACF grafikleri 2. gecikmeden sonra kesilir.

Show answer & explanation

Answer: Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Answer

Verilen süreç durağan bir AR(2) süreci olup kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilme (sıfıra düşme) özelliği gösterir.

Verilen denklemde

\phi_1 = 1,1

ve

\phi_2 = -0,28

katsayıları AR(2) durağanlık testlerinden (Schur-Cohn kriterleri) başarıyla geçer. AR(2) süreçlerinde kısmi otokorelasyon fonksiyonunun (PACF) 2. gecikmeden sonra sıfıra düşmesi (kesilmesi) teorik bir zorunluluktur.

Step-by-Step Solution

1

Modelin türünü ve derecesini belirle.

Model

Y_t = 1,1Y_{t-1} - 0,28Y_{t-2} + \epsilon_t

şeklinde yazılabilir. Bu bir 2. dereceden otoregresif modeldir, yani AR(2).

Bağımlı değişkenin (

Y_t

) iki gecikmeli değeri (

L

ve

L^2

) modelde yer almaktadır.

2

AR(2) süreci için durağanlık koşullarını kontrol et.

1)

\phi_1 + \phi_2 = 1,1 - 0,28 = 0,82 < 1

(Sağlanır). 2)

\phi_2 - \phi_1 = -0,28 - 1,1 = -1,38 < 1

(Sağlanır). 3)

|\phi_2| = |-0,28| = 0,28 < 1

(Sağlanır).

Bir AR(2) sürecinin zayıf durağan olması için bu üç katsayı koşulunun aynı anda sağlanması gerekir.

3

AR(p) modellerinin ACF ve PACF davranışlarını hatırla.

AR(p) modellerinde PACF

p

. gecikmeden sonra kesilir (

k > p

için

\phi_{kk} = 0

). ACF ise üstel veya sinüzoidal olarak sönümlenir (tails off).

Teorik olarak otoregresif süreçlerin kimliklendirilmesinde PACF'in kesilme noktası model derecesini verir.

Key Concept

AR(p) modellerinde durağanlık katsayı kısıtlarına bağlıdır ve PACF fonksiyonu tam olarak

p

gecikme sonrası kesilir.

Practice More

Katsayıların işaretleri değiştiğinde (örneğin her ikisi de pozitif olduğunda) durağanlık koşullarının nasıl değiştiğini inceleyebilirsiniz.

Estimated Time:1m 30s

Question 23Question →

$\epsilon_t$ hata terimi (beyaz gürültü) ve $L$ gecikme operatörü olmak üzere, $(1 - 0,4L - 0,45L^2)Y_t = 8 + \epsilon_t$ şeklinde tanımlanan bir zaman serisi süreci için aşağıdakilerden hangisi doğrudur?

Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Süreç durağan değildir ve otokorelasyon fonksiyonu (ACF) 2. gecikmeden sonra kesilir.

Süreç durağandır ve otokorelasyon fonksiyonu (ACF) 2. gecikmeden sonra kesilir.

Süreç durağan değildir ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra sönümlenir.

Süreç durağandır ve sürecin beklenen değeri (ortalaması) 8'dir.

Show answer & explanation

Answer: Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Answer

Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Verilen model bir AR(2) modelidir. Katsayılar toplandığında

\phi_1 + \phi_2 = 0,85 < 1

olduğu ve diğer AR(2) durağanlık şartlarını (

\phi_2 - \phi_1 < 1

ve

|\phi_2| < 1

) sağladığı görülmektedir. AR modellerinin karakteristik özelliği, kısmi otokorelasyon fonksiyonunun (PACF) modelin derecesi olan p değerinden sonra kesilmesidir. Bu durumda süreç durağandır ve PACF 2. gecikmeden sonra kesilmektedir.

Step-by-Step Solution

1

Parametrelerin belirlenmesi

\phi_1 = 0,4

,

\phi_2 = 0,45

,

\delta = 8

Verilen

(1 - 0,4L - 0,45L^2)Y_t = 8 + \epsilon_t

denklemi

Y_t = 8 + 0,4Y_{t-1} + 0,45Y_{t-2} + \epsilon_t

şeklinde bir AR(2) modelidir.

2

AR(2) durağanlık koşullarının kontrolü

\phi_1 + \phi_2 = 0,4 + 0,45 = 0,85 < 1

;

\phi_2 - \phi_1 = 0,45 - 0,4 = 0,05 < 1

;

|\phi_2| = 0,45 < 1

AR(2) modellerinde sürecin zayıf durağan olması için bu üç katsayı kısıtının aynı anda sağlanması gerekir.

3

ACF ve PACF davranışının analizi

PACF 2. gecikmeden sonra sıfır olur (kesilir), ACF sönümlenir.

Otoregresif AR(p) modellerinin teorik özelliği gereği kısmi otokorelasyon fonksiyonu p gecikmesinden sonra tam olarak kesilir.

Key Concept

AR(p) modellerinde durağanlık koşulları ve PACF kesilme özelliği

Alternative Method

Sürecin durağanlığı karakteristik denklemin kökleri üzerinden de kontrol edilebilir.

1 - 0,4L - 0,45L^2 = 0

denkleminin kökleri

L_1 \approx 1,11

ve

L_2 = -2

olup, her iki kökün mutlak değeri 1'den büyük (birim çemberin dışında) olduğu için süreç durağandır.

Estimated Time:1m 30s

Question 24Question →

$\epsilon_t$ süreci, $E[\epsilon_t] = 0$ ve $Var(\epsilon_t) = \sigma^2$ özelliklerine sahip bir beyaz gürültü (white noise) süreci olmak üzere;

X_t = \epsilon_t - 0,8\epsilon_{t-1}

olarak tanımlanan zaman serisi modelinin durağanlık, tersinirlik ve otokorelasyon fonksiyonu (ACF) özellikleri dikkate alındığında, aşağıdakilerden hangisi doğrudur?

Süreç durağan değildir; ancak tersinirdir ve otokorelasyon fonksiyonu (ACF) geometrik olarak sönümlenir.

Süreç durağandır ve tersinirdir; otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilir.

Süreç durağandır ancak tersinir değildir; kısmi otokorelasyon fonksiyonu (PACF) 1. gecikmeden sonra kesilir.

Süreç hem durağandır hem de tersinirdir; ancak otokorelasyon fonksiyonu (ACF) sonsuza kadar sönümlenerek gider.

Süreç tersinirdir ancak durağan olabilmesi için katsayının mutlak değerce 1'den büyük olması gerekir.

Show answer & explanation

Answer: Süreç durağandır ve tersinirdir; otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilir.

Answer

Sürecin hem durağan hem de tersinir olduğu ve otokorelasyon fonksiyonunun (ACF) 1. gecikmeden sonra kesildiği ifade doğrudur.

Tanımlanan

X_t = \epsilon_t - 0,8\epsilon_{t-1}

modeli bir MA(1) sürecidir. MA süreçleri her zaman durağandır. Tersinirlik için

|\theta_1| < 1

şartı aranır ve

|-0,8| = 0,8 < 1

olduğu için süreç tersinirdir. MA(q) modellerinde ACF,

q

gecikmeden sonra kesildiği için bu modelde 1. gecikmeden sonra kesilme gerçekleşir.

Step-by-Step Solution

1

Model tipini ve derecesini belirleme

Model

X_t = \epsilon_t - \theta_1 \epsilon_{t-1}

formunda olduğu için bir MA(1) (Birinci Dereceden Hareketli Ortalama) modelidir.

Süreç, beyaz gürültü terimlerinin sonlu bir doğrusal bileşimidir.

2

Durağanlık (Stationarity) kontrolü

Süreç her zaman durağandır.

Hareketli ortalama (MA) modelleri, katsayıları sonlu olduğu sürece her zaman zayıf durağandır (kovaryans durağandır).

3

Tersinirlik (Invertibility) kontrolü

|-0,8| < 1

olduğu için süreç tersinirdir.

MA(1) modelinde tersinirlik koşulu, katsayının mutlak değerinin 1'den küçük olmasıdır (

|\theta_1| < 1

).

4

ACF ve PACF karakteristiklerini analiz etme

ACF 1. gecikmeden sonra kesilir (

q=1

), PACF ise sönümlenir.

MA(q) modellerinin teorik özelliği, otokorelasyon fonksiyonunun (ACF)

q

gecikmeden sonra kesilmesi, kısmi otokorelasyon fonksiyonunun (PACF) ise sönümlenmesidir.

Key Concept

Hareketli Ortalama (MA) modellerinde durağanlık varsayımı her zaman sağlanırken, tersinirlik için katsayı kısıtı gereklidir ve model derecesi ACF'in kesildiği noktayı belirler.

Estimated Time:1m 30s

Question 25Question →

\epsilon_t

süreci, sıfır beklenen değerli ve

\sigma_\epsilon^2

sabit varyanslı bir beyaz gürültü (white noise) süreci olmak üzere;

X_t = \epsilon_t - 0,4\epsilon_{t-1}

şeklinde tanımlanan zaman serisi modelinin otokorelasyon fonksiyonu (ACF) ve kısmi otokorelasyon fonksiyonu (PACF) davranışları hakkında aşağıdakilerden hangisi doğrudur?

Otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilir, kısmi otokorelasyon fonksiyonu (PACF) ise sönümlenerek sıfıra yaklaşır.

Otokorelasyon fonksiyonu (ACF) sönümlenerek sıfıra yaklaşır, kısmi otokorelasyon fonksiyonu (PACF) ise 1. gecikmeden sonra kesilir.

Süreç durağan olmadığı için hem ACF hem de PACF fonksiyonları sönümlenmeden sabit kalır.

Hem otokorelasyon fonksiyonu (ACF) hem de kısmi otokorelasyon fonksiyonu (PACF) 1. gecikmeden sonra kesilir.

Otokorelasyon fonksiyonu (ACF) tüm gecikmeler için sıfırdır, çünkü süreç bir beyaz gürültü sürecidir.

Show answer & explanation

Answer: Otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilir, kısmi otokorelasyon fonksiyonu (PACF) ise sönümlenerek sıfıra yaklaşır.

Answer

Otokorelasyon fonksiyonunun (ACF) 1. gecikmeden sonra kesilmesi ve kısmi otokorelasyon fonksiyonunun (PACF) sönümlenerek sıfıra yaklaşması.

Verilen model birinci dereceden bir hareketli ortalama (MA(1)) sürecidir. Zaman serisi teorisine göre, saf bir MA(q) süreci için otokorelasyon fonksiyonu (ACF) tam olarak

q

gecikme sonrası kesilir. Kısmi otokorelasyon fonksiyonu (PACF) ise sonsuza kadar sönümlenerek devam eder. Bu nedenle ACF'nin 1. gecikmeden sonra kesilmesi ve PACF'nin sönümlenmesi doğru tanıdır.

Step-by-Step Solution

1

Modelin türünü belirleme

MA(1) modeli

Model sadece mevcut hata terimi (

\epsilon_t

) ve bir dönem önceki hata teriminin (

\epsilon_{t-1}

) doğrusal birleşimidir.

2

MA modellerinin karakteristik özelliklerini hatırlama

ACF kesilir, PACF sönümlenir

Teorik olarak MA(q) süreçlerinde otokorelasyon fonksiyonu

q

gecikmeden sonra aniden sıfıra düşer (kesilir), PACF ise geometrik veya sinüzoidal olarak azalır (sönümlenir).

3

Gecikme derecesini (

q

) uygulama

ACF(1)

\neq

0 ve ACF(

k>1

) = 0

Model MA(1) olduğu için

q=1

'dir. Bu durumda ACF fonksiyonu 1. gecikmeden sonra kesilmelidir.

Key Concept

Hareketli Ortalama (MA) Modellerinde Tanımlama (Identification)

Question 26Question →

Zaman serisi analizinde, bir stokastik sürecin zayıf durağan (kovaryans durağan) olarak nitelendirilmesi için gereken temel istatistiksel özellikler ve modellerin durağanlık kısıtları ile ilgili aşağıdakilerden hangisi doğrudur?

Sürecin birinci ve ikinci momentleri zamandan bağımsız olarak sabit kalmalı, otokovaryans fonksiyonu ise yalnızca gözlemler arasındaki zaman farkına (gecikmeye) dayanmalıdır.

Bir sürecin zayıf durağan olması, sürecin tüm derecelerden momentlerinin ve ortak olasılık dağılımının zaman boyunca değişmez kalması anlamına gelir.

Y_t = \phi Y_{t-1} + \epsilon_t

şeklinde ifade edilen bir AR(1) süreci için

|\phi| < 1

olması, sürecin tersinirlik (invertibility) özelliğine sahip olduğunu gösterir.

Hareketli ortalama (MA) modellerinin durağanlık özelliğini kazanabilmesi için model katsayılarının mutlak değerce 1'den küçük olması temel şarttır.

Zayıf durağan bir süreçte varyansın zaman (

t

) ilerledikçe doğrusal bir artış göstermesi ve serinin birim kök (unit root) içermesi beklenir.

Show answer & explanation

Answer: Sürecin birinci ve ikinci momentleri zamandan bağımsız olarak sabit kalmalı, otokovaryans fonksiyonu ise yalnızca gözlemler arasındaki zaman farkına (gecikmeye) dayanmalıdır.

Answer

Sürecin birinci ve ikinci momentleri (ortalama ve varyans) sabit olmalı, otokovaryans ise yalnızca gecikme miktarına bağlı olmalıdır.

Doğru seçenek, zayıf durağanlık için literatürde kabul edilen üç temel teknik şartı (sabit ortalama, sabit varyans ve yalnızca gecikmeye bağlı otokovaryans) eksiksiz ve doğru bir şekilde ifade etmektedir. Bu koşullar sağlandığında, serinin istatistiksel yapısı zaman boyunca değişmez kalır.

Step-by-Step Solution

1

Zayıf durağanlık (kovaryans durağanlık) tanımını hatırla.

Bir sürecin zayıf durağan olması için şu üç şartın sağlanması gerekir: 1)

E[Y_t] = \mu

(sabit ortalama), 2)

Var(Y_t) = \sigma^2

(sabit varyans), 3)

Cov(Y_t, Y_{t-k}) = \gamma_k

(zamandan bağımsız otokovaryans).

Durağanlık tanımı bu üç temel istatistiksel özelliğe dayanır.

2

Kesin durağanlık ile zayıf durağanlık arasındaki farkı analiz et.

Kesin durağanlıkta serinin tüm momentleri ve ortak dağılımı zamanla değişmez; zayıf durağanlıkta ise sadece ilk iki moment (ortalama ve varyans) için bu şart aranır.

İki kavramın karıştırılmaması sorunun doğru çözümü için kritiktir.

3

AR ve MA modellerindeki parametre kısıtlarını değerlendir.

AR(1) modellerinde durağanlık için

|\phi| < 1

şartı vardır. MA modelleri ise yapıları gereği her zaman durağandır; katsayı kısıtı tersinirlik (invertibility) için kullanılır.

Modele özgü parametre kısıtlarını bilmek, çeldiricileri elemede yardımcı olur.

Key Concept

Zayıf durağanlık (kovaryans durağanlık) koşulları

Estimated Time:1m 30s

Question 27Question →

Zaman serisi analizinde bir stokastik sürecin zayıf (kovaryans) durağan olarak kabul edilebilmesi için belirli istatistiksel koşulların sağlanması gerekmektedir. Buna göre, durağanlık kavramı ve koşulları ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Zayıf durağan bir süreçte beklenen değer ve varyans zaman boyunca sabit kalmalı, otokovaryans fonksiyonu ise zamandan bağımsız olup sadece gecikme uzunluğuna bağlı olmalıdır.

Kesin (strict) durağanlık, zayıf durağanlığın aksine sadece ilk iki momentin (ortalama ve varyans) zamandan bağımsız olmasını gerektiren daha esnek bir kavramdır.

Birinci dereceden otoregresif

AR(1)

sürecinin durağan olabilmesi için modele ait otoregresif katsayının mutlak değerce 1'den büyük (

|\phi| > 1

) olması gerekir.

Durağanlık kısıtı, bir zaman serisinin hata terimlerinin geçmiş değerlerinin mevcut gözlemlerin doğrusal bir bileşeni olarak yazılabilmesini sağlayan tersinirlik (invertibility) kısıtı ile aynı işlevi görür.

Deterministik bir trend içeren ve ortalaması zamanla sistematik olarak artan bir seri, kovaryans durağanlık koşullarını kendiliğinden sağlar.

Show answer & explanation

Answer: Zayıf durağan bir süreçte beklenen değer ve varyans zaman boyunca sabit kalmalı, otokovaryans fonksiyonu ise zamandan bağımsız olup sadece gecikme uzunluğuna bağlı olmalıdır.

Answer

Zayıf durağanlık için sürecin beklenen değerinin ve varyansının sabit olması, otokovaryansının ise zamandan bağımsız olarak sadece gecikme uzunluğuna bağlı olması gerekir.

Zayıf durağanlık (kovaryans durağanlığı), bir stokastik sürecin birinci ve ikinci momentlerinin (ortalama ve varyans) zamana göre değişmez olması ve otokovaryansın sadece gözlemler arasındaki mesafe (gecikme) ile belirlenmesi durumudur. Bu durum, serinin geçmişteki davranışının gelecekte de benzer bir yapı sergileyeceğinin temel varsayımıdır.

Step-by-Step Solution

1

Zayıf durağanlık koşullarını tanımla.

E[y_t] = \mu

,

Var(y_t) = \sigma^2

ve

Cov(y_t, y_{t-k}) = \gamma_k

olmalıdır.

Bu üç koşul, serinin istatistiksel özelliklerinin zaman içinde değişmediğini garanti eder.

2

Kesin ve zayıf durağanlık farkını belirle.

Kesin durağanlık tüm dağılımın, zayıf durağanlık ise sadece ilk iki momentin sabitliğini kapsar.

Tanımsal doğruluğu teyit etmek için hiyerarşik farkın anlaşılması gerekir.

3

AR(1)

durağanlık kısıtını kontrol et.

y_t = \phi y_{t-1} + \epsilon_t

modelinde

|\phi| < 1

olmalıdır.

Eğer

|\phi| \geq 1

ise serinin varyansı zamana bağlı olarak sonsuza gider.

Key Concept

Zayıf Durağanlık Koşulları

Question 28Question →

Zaman serisi analizinde, bir modelin öngörü amaçlı kullanılabilmesi ve istatistiksel olarak anlamlı sonuçlar üretmesi için durağanlık ve tersinirlik (invertibility) koşullarının sağlanması büyük önem taşır. Buna göre, aşağıda verilen modellerden hangisi hem durağan (stationary) hem de tersinir (invertible) bir yapıdadır?

X_t = 1,4 X_{t-1} + \epsilon_t - 0,3 \epsilon_{t-1}

X_t = 0,5 X_{t-1} + \epsilon_t + 1,2 \epsilon_{t-1}

X_t = 0,65 X_{t-1} + \epsilon_t - 0,35 \epsilon_{t-1}

X_t = 0,8 X_{t-1} + \epsilon_t - \epsilon_{t-1}

X_t = X_{t-1} + \epsilon_t + 0,4 \epsilon_{t-1}

Show answer & explanation

Answer: $X_t = 0,65 X_{t-1} + \epsilon_t - 0,35 \epsilon_{t-1}$

Answer

Sürecin durağan olması için otoregresif katsayının, tersinir olması için ise hareketli ortalama katsayısının mutlak değerce 1'den küçük olması gerekir; bu koşulları sağlayan seçenek '0,65' ve '0,35' katsayılarını içeren modeldir.

Hem durağanlık hem de tersinirlik koşullarının sağlandığı seçenekte, otoregresif katsayı mutlak değerce

0,65 < 1

ve hareketli ortalama katsayısı mutlak değerce

0,35 < 1

kısıtlarını aynı anda karşılamaktadır. Bu durum, modelin hem zaman boyunca kararlı bir yapı sergilediğini hem de geçmiş hata terimlerinin gözlemler yoluyla tahmin edilebildiğini gösterir.

Step-by-Step Solution

1

Durağanlık (Stationarity) koşulunu kontrol edin.

Bir AR(1) süreci için katsayı olan

\phi

parametresinin

|\phi| < 1

olması gerekir.

Durağanlık, serinin ortalama ve varyansının zaman boyunca sabit kalması için gereklidir.

2

Tersinirlik (Invertibility) koşulunu kontrol edin.

Bir MA(1) süreci için katsayı olan

\theta

parametresinin

|\theta| < 1

olması gerekir.

Tersinirlik, hata terimlerinin geçmiş gözlemler cinsinden ifade edilebilmesini ve modelin benzersizliğini sağlar.

3

Verilen modellerdeki katsayıları bu iki koşula göre analiz edin.

Otoregresif katsayısı

0,65

ve hareketli ortalama katsayısı

-0,35

olan model her iki kısıtı da sağlar.

|0,65| < 1

ve

|-0,35| < 1

eşitsizlikleri doğrudur.

Key Concept

ARMA(1,1) modellerinde durağanlık otoregresif parametreye, tersinirlik ise hareketli ortalama parametresine bağlıdır.

Estimated Time:1m 30s

Question 29Question →

Bir zaman serisi araştırmasında, serinin $X_t = 0,4 X_{t-1} + \epsilon_t - \theta \epsilon_{t-1}$ biçiminde bir ARMA(1,1) süreci izlediği belirlenmiştir. Bu sürecin, hata terimlerinin geçmiş değerlerinin gözlenen değerler cinsinden yazılabildiği (tersinirlik) bir yapıya sahip olması için $\theta$ parametresinin sağlaması gereken temel koşul aşağıdakilerden hangisidir?

| \theta | < 1

| \theta | > 1

| 0,4 | < 1

\theta + 0,4 < 1

\theta < 0,4

Show answer & explanation

Answer: $| \theta | < 1$

Answer

Modelin tersinir olması için hareketli ortalama (MA) katsayısının mutlak değerinin 1'den küçük olması, yani

| \theta | < 1

şartının sağlanması gerekir.

Zaman serilerinde bir ARMA(p,q) sürecinin tersinir olması, sadece MA kısmındaki katsayıların büyüklüğüne bağlıdır. MA(1) bileşeni içeren bir modelde, gecikme operatörü cinsinden yazılan karakteristik denklemin kökünün birim çemberin dışında kalması gerekir. Bu da matematiksel olarak katsayının mutlak değerinin 1'den küçük (

| \theta | < 1

) olması anlamına gelir. Bu durumda hata terimleri serinin geçmiş gözlemleri cinsinden ifade edilebilir.

Step-by-Step Solution

1

Modelin yapısını analiz etme

Verilen model

X_t = 0,4 X_{t-1} + \epsilon_t - \theta \epsilon_{t-1}

bir ARMA(1,1) sürecidir.

Model hem otoregresif (AR) hem de hareketli ortalama (MA) bileşenleri içermektedir.

2

Tersinirlik (invertibility) kavramını tanımlama

Tersinirlik, MA bileşenine ait karakteristik denklemin köklerinin birim çemberin dışında olmasını gerektirir.

Tersinir bir süreç, hata terimlerinin (

\epsilon_t

) serinin geçmiş değerlerinin (

X_{t-k}

) sonsuz bir ağırlıklı toplamı (AR(

\infty

)) olarak yazılabilmesine olanak tanır.

3

Karakteristik denklemi kurma ve çözme

1 - \theta B = 0

denkleminden

B = 1/\theta

kökü elde edilir.

MA(1) operatörü gecikme operatörü (

B

) cinsinden

\theta(B) = 1 - \theta B

olarak ifade edilir.

4

Kök şartını parametreye uygulama

|1/\theta| > 1

olması için

|\theta| < 1

olmalıdır.

Karakteristik kökün mutlak değerce 1'den büyük olması, katsayının mutlak değerce 1'den küçük olmasıyla eşdeğerdir.

Key Concept

Tersinirlik Koşulu (Invertibility Condition)

Question 30Question →

Bir ekonometrik çalışmada, durağanlığı test edilmiş bir zaman serisinin $AR(2)$ yapısına uygun olduğu saptanmıştır. İlgili seriye ait ilk iki gecikmeli otokorelasyon katsayıları $\rho_1 = 0,5$ ve $\rho_2 = 0,7$ olarak ölçülmüştür.

Buna göre, bu $AR(2)$ modelinin ikinci parametresi olan $\phi_2$ değeri kaçtır?

0,20

0,45

0,50

0,60

0,70

Show answer & explanation

Answer: 0,60

Answer

Modelin ikinci parametresi olan 0,60 değeri, otoregresif modelin derecesi ile kısmi otokorelasyon arasındaki ilişkiden ve ilgili formülün uygulanmasından elde edilir.

Otoregresif bir süreçte, modelin derecesine karşılık gelen kısmi otokorelasyon katsayısı doğrudan o derecenin parametresini verir (

\phi_{pp} = \phi_p

). Verilen

\rho_1 = 0,5

ve

\rho_2 = 0,7

değerleri kullanılarak hesaplanan

\phi_{22}

değeri, sürecin ikinci parametresi olan 0,60'a eşittir.

Step-by-Step Solution

1

Model yapısı ile parametre arasındaki ilişkiyi belirle.

\phi_2 = \phi_{22}

Bir

AR(p)

sürecinde,

p

. gecikmedeki kısmi otokorelasyon katsayısı (

\phi_{pp}

), modelin

p

. otoregresif parametresine (

\phi_p

) eşittir.

2

İkinci dereceden kısmi otokorelasyon formülünü yaz.

\phi_{22} = \frac{\rho_2 - \rho_1^2}{1 - \rho_1^2}

Yule-Walker denklemlerinden türetilen bu formül, ilk iki otokorelasyon katsayısı bilindiğinde kısmi otokorelasyonu hesaplamayı sağlar.

3

Verilen değerleri yerleştir ve hesapla.

\frac{0,7 - (0,5)^2}{1 - (0,5)^2} = \frac{0,7 - 0,25}{1 - 0,25} = \frac{0,45}{0,75} = 0,6

Matematiksel sadeleştirme sonucunda modelin ikinci parametresine ulaşılır.

Key Concept

Otoregresif (AR) modellerde parametre tahmini için kısmi otokorelasyon fonksiyonunun (PACF) kullanılması ve Yule-Walker ilişkisi.

Question 31Question →

\epsilon_t

beyaz gürültü sürecini ve

L

gecikme operatörünü göstermek üzere,

(1 - 0,6L)Y_t = \epsilon_t

şeklinde tanımlanan bir zaman serisi süreci için aşağıdakilerden hangisi doğrudur?

Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 1. gecikmeden sonra kesilerek sıfır değerini alır.

Süreç durağandır ve otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilerek sıfır değerini alır.

Gecikme operatörünün katsayısı pozitif ve 1'den küçük olduğu için süreç durağan değildir.

Verilen model, otokorelasyon fonksiyonu (ACF) 1. gecikmeden sonra kesilen bir MA(1) sürecidir.

Sürecin durağan olması için karakteristik denklemin kökünün birim çemberin içerisinde olması gerekir.

Show answer & explanation

Answer: Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) 1. gecikmeden sonra kesilerek sıfır değerini alır.

Answer

Verilen model durağan bir AR(1) süreci olup, kısmi otokorelasyon fonksiyonu (PACF) birinci gecikmeden sonra kesilerek sıfır değerini alır.

Verilen

(1 - 0,6L)Y_t = \epsilon_t

denklemi bir AR(1) sürecini temsil eder. Bu süreçte otoregresif katsayı

\phi = 0,6

olup,

|0,6| < 1

şartı sağlandığı için süreç durağandır. AR(p) süreçlerinin en temel teorik özelliği, kısmi otokorelasyon fonksiyonunun (PACF) p. gecikmeden sonra kesilerek sıfır olmasıdır. Bu nedenle AR(1) süreci için PACF 1. gecikmeden sonra sıfır değerini alır.

Step-by-Step Solution

1

Model türünü belirle

Model AR(1) türündedir.

Denklemdeki

(1 - 0,6L)Y_t = \epsilon_t

ifadesi,

Y_t = 0,6Y_{t-1} + \epsilon_t

şeklinde açılabilir; bu da birinci dereceden otoregresif süreci gösterir.

2

Durağanlık koşulunu kontrol et

|0,6| < 1

olduğu için süreç durağandır.

AR(1) modellerinde

\phi

katsayısının mutlak değerinin 1'den küçük olması zayıf durağanlık için gerekli ve yeterli koşuldur.

3

ACF ve PACF davranışlarını analiz et

ACF sönümlenerek azalır, PACF ise 1. gecikmeden sonra kesilir.

Genel kural olarak AR(p) modellerinde otokorelasyon fonksiyonu (ACF) üstel veya sinüzoidal şekilde sönümlenirken, kısmi otokorelasyon fonksiyonu (PACF) modelin derecesi olan p'den sonraki gecikmelerde sıfıra düşer (kesilir).

Key Concept

Otoregresif (AR) Modellerin Durağanlık ve Tanımlama Özellikleri

Hints

1

Denklemi

Y_t = \phi Y_{t-1} + \epsilon_t

formuna dönüştürerek katsayının mutlak değerini kontrol edin.

2

AR modellerinde hangi fonksiyonun (ACF mi yoksa PACF mi) belirli bir gecikmeden sonra sıfıra düştüğünü hatırlayın.

Practice More

Farklı otoregresif katsayılar (örneğin

\phi = -0,8

veya

\phi = 1,2

) için durağanlık ve ACF davranışlarını karşılaştırın.

Estimated Time:1m 30s

Question 32Question →

Zaman serisi analizinde bir stokastik sürecin durağanlık özellikleri, modelleme ve öngörü aşamaları için kritik öneme sahiptir. Sürecin zayıf (kovaryans) durağanlık ve kesin (strict) durağanlık koşulları ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Kesin durağan bir süreç, varyansı sonlu olmasa dahi her zaman zayıf durağanlık koşullarını da sağlar.

Zayıf durağan bir süreçte, otokovaryans fonksiyonu zamana (

t

) bağlı olarak değişim gösterir.

y_t = \phi y_{t-1} + \epsilon_t

modelinde sürecin durağan olabilmesi için otoregresif parametrenin mutlak değeri 1'den küçük (

|\phi| < 1

) olmalıdır.

Tersinirlik (invertibility) kısıtı, otoregresif (AR) modellerin durağanlığını sağlamak amacıyla kullanılan bir parametre kısıtıdır.

Zayıf durağan bir serinin varyansının zamanla doğrusal olarak artması beklenir.

Show answer & explanation

Answer: $y_t = \phi y_{t-1} + \epsilon_t$ modelinde sürecin durağan olabilmesi için otoregresif parametrenin mutlak değeri 1'den küçük ( $|\phi| < 1$ ) olmalıdır.

Answer

Birinci dereceden otoregresif bir sürecin durağan olabilmesi için otoregresif katsayısının mutlak değerce 1'den küçük olması gerekir.

Otoregresif modellerde durağanlık, karakteristik denklemin köklerinin birim çemberin dışında kalmasıyla ilgilidir. AR(1) modeli için bu kısıt, katsayının mutlak değerinin 1'den küçük olması (

|\phi| < 1

) şeklinde ifade edilir. Bu durumda serinin ortalaması ve varyansı zaman boyunca sabit kalır.

Step-by-Step Solution

1

Zayıf durağanlık koşullarını tanımla.

Zayıf durağanlık için üç temel şart: 1) Sabit ortalama, 2) Sabit ve sonlu varyans, 3) Zamandan bağımsız otokovaryans.

Sürecin temel durağanlık tanımını belirlemek için gereklidir.

2

AR(1) modeli için durağanlık kısıtını değerlendir.

y_t = \phi y_{t-1} + \epsilon_t

modelinde varyansın sabit kalması için

|\phi| < 1

olmalıdır.

Otoregresif modellerin durağanlık kısıtlarını kontrol etmek için.

3

Durağanlık ve tersinirlik ayrımını yap.

Durağanlık AR süreciyle, tersinirlik ise MA süreciyle ilgilidir.

Kavramsal karışıklığı önlemek için.

Key Concept

Zayıf Durağanlık Koşulları ve AR(1) Parametre Kısıtı

Estimated Time:1m 30s

Question 33Question →

Bir zaman serisi analizinde, $\epsilon_t \sim WN(0, \sigma^2)$ beyaz gürültü süreci olmak üzere, süreci $X_t = \epsilon_t - 0,6 \epsilon_{t-1} - \beta \epsilon_{t-2}$ denklemi ile ifade edilen ikinci dereceden bir hareketli ortalama (MA(2)) modeli tanımlanmıştır. Bu modelin tersinir (invertible) bir yapıda olması için $\beta$ parametresinin alabileceği değer aralığı aşağıdakilerden hangisidir?

-1 < \beta < 0,4

-1 < \beta < 1

-0,4 < \beta < 0,4

-1,6 < \beta < 1,6

-0,4 < \beta < 1

Show answer & explanation

Answer: $-1 < \beta < 0,4$

Answer

Modelin tersinir olması için

\beta

parametresi

-1 < \beta < 0,4

aralığında olmalıdır.

Tersinirlik analizi yapılırken MA(2) süreci için üç temel kısıt olan

\theta_1 + \theta_2 < 1

,

\theta_2 - \theta_1 < 1

ve

|\theta_2| < 1

koşulları birlikte değerlendirilir.

\theta_1 = 0,6

değeri bu eşitsizliklerde yerine yazıldığında en dar ve kapsayıcı aralık

-1 < \beta < 0,4

olarak bulunur.

Step-by-Step Solution

1

Model tipini ve parametrelerini belirle

Model

X_t = \epsilon_t - \theta_1 \epsilon_{t-1} - \theta_2 \epsilon_{t-2}

formunda bir MA(2) sürecidir. Burada

\theta_1 = 0,6

ve

\theta_2 = \beta

olarak verilmiştir.

Tersinirlik koşullarını uygulamak için katsayıların doğru tanımlanması gerekir.

2

MA(2) süreci için tersinirlik (invertibility) kısıtlarını yaz

Koşullar: 1)

\theta_1 + \theta_2 < 1

, 2)

\theta_2 - \theta_1 < 1

, 3)

|\theta_2| < 1

.

İkinci dereceden hareketli ortalama modellerinde tersinirlik, karakteristik denklemin köklerinin birim çemberin dışında kalmasını gerektirir ve bu üç kısıtla ifade edilir.

3

Verilen değerleri kısıtlarda yerine koy ve eşitsizlikleri çöz

1)

0,6 + \beta < 1 \Rightarrow \beta < 0,4

, 2)

\beta - 0,6 < 1 \Rightarrow \beta < 1,6

, 3)

|\beta| < 1 \Rightarrow -1 < \beta < 1

.

Sürece özgü parametre değerleri ile kısıtların sınırlarını belirlemek için hesaplama yapılır.

4

Eşitsizliklerin kesişim kümesini bul

\beta < 0,4

ve

-1 < \beta < 1

koşullarının kesişimi

-1 < \beta < 0,4

aralığıdır. (

\beta < 1,6

koşulu zaten bu aralığı kapsadığı için sonucu değiştirmez).

Tersinirlik için tüm koşulların aynı anda sağlanması zorunludur.

Key Concept

İkinci dereceden hareketli ortalama (MA(2)) modellerinde tersinirlik (invertibility) parametre kısıtları.

Practice More

ARMA(1,1) modellerinde hem durağanlık (AR kısmı için) hem de tersinirlik (MA kısmı için) koşullarının aynı anda sorulduğu soruları çözerek iki kavram arasındaki farkı pekiştirebilirsiniz.

Estimated Time:1m 30s

Question 34Question →

Zaman serisi modellerinde MA(q) süreçleri her zaman durağan olmasına rağmen, modelin geçmiş gözlemler cinsinden bir sonsuz AR süreci olarak ifade edilebilmesi için 'tersinirlik' (invertibility) koşulunu sağlaması gerekir. $\epsilon_t \sim WN(0, \sigma^2)$ olmak üzere,

X_t = \epsilon_t - \theta_1 \epsilon_{t-1} - \theta_2 \epsilon_{t-2}

şeklinde tanımlanan bir MA(2) sürecinin tersinir olması için aşağıdakilerden hangisi gerekli bir koşul değildir?

\theta_1 + \theta_2 < 1

\theta_2 - \theta_1 < 1

|\theta_2| < 1

|\theta_1| < 1

Gecikme polinomu

\theta(L) = 1 - \theta_1 L - \theta_2 L^2 = 0

denkleminin köklerinin birim çemberin dışında kalması

Show answer & explanation

Answer: $|\theta_1| < 1$

Answer

MA(2) süreci için |θ₁| < 1 koşulu gerekli değildir; bu parametre -2 ile 2 aralığında değer alabilir.

MA(2) süreci için tersinirlik bölgesi parametre düzleminde bir üçgen oluşturur. Bu üçgenin sınırları

\theta_1 + \theta_2 < 1

,

\theta_2 - \theta_1 < 1

ve

|\theta_2| < 1

eşitsizlikleri ile belirlenir. Bu sınırlar dahilinde

\theta_1

katsayısının mutlak değeri 1'den büyük olabilir (örneğin

\theta_1 = 1,5

ve

\theta_2 = -0,6

değerleri tersinirlik koşullarını sağlar). Dolayısıyla, mutlak değerce 1'den küçük olma şartı MA(1) için geçerli olsa da MA(2) için genel bir zorunluluk değildir.

Step-by-Step Solution

1

MA(2) modelinin gecikme operatörü cinsinden ifadesini yazma

X_t = (1 - \theta_1 L - \theta_2 L^2)\epsilon_t

Tersinirlik analizi, modelin hata terimi üzerindeki operatör polinomu üzerinden yapılır.

2

Tersinirlik tanımını uygulama

1 - \theta_1 z - \theta_2 z^2 = 0

denkleminin kökleri

|z| > 1

olmalıdır.

Bir MA sürecinin tersinir olması için karakteristik denklemin köklerinin birim çemberin dışında yer alması gerekir.

3

Köklerin birim çember dışında olması için gereken katsayı kısıtlarını (Schur-Cohn koşulları) belirleme

1)

\theta_1 + \theta_2 < 1

, 2)

\theta_2 - \theta_1 < 1

, 3)

|\theta_2| < 1

İkinci dereceden polinomlar için köklerin birim çember dışında kalması bu üç eşitsizliğin aynı anda sağlanmasına bağlıdır (Tersinirlik Üçgeni).

4

Parametre sınırlarını kontrol etme

\theta_1

parametresi

(-2, 2)

aralığında,

\theta_2

parametresi ise

(-1, 1)

aralığında değerler alabilir.

Üçgenin köşeleri

(-2, -1)

,

(2, -1)

ve

(0, 1)

noktalarıdır. Dolayısıyla

|\theta_1| < 1

olma zorunluluğu yoktur.

Key Concept

Tersinirlik Üçgeni (Invertibility Triangle)

Hints

1

MA(1) sürecinde tersinirlik için tek bir parametre kısıtı varken, MA(2) sürecinde iki parametrenin birbirine bağlı olduğu üç farklı eşitsizlik vardır.

2

Tersinirlik bölgesi (\theta_1, \theta_2) düzleminde bir üçgen şeklindedir. Bu üçgenin tabanı \theta_2 = -1 doğrusu üzerindedir ve \theta_1 ekseninde -2'den 2'ye kadar uzanır.

3

(\theta_1 = 1,2; \theta_2 = -0,5) gibi bir değer kümesinin tersinirlik koşullarını (A, B ve C şıkları) sağlayıp sağlamadığını kontrol edin.

Practice More

ARMA(1,1) modellerinde durağanlık kısıtının AR parametresine, tersinirlik kısıtının ise MA parametresine ait olduğunu pekiştiren sorular çözebilirsiniz.

Alternative Method

MA(2) tersinirlik üçgenini çizerek (\theta_1, \theta_2) düzlemindeki sınırları görselleştirmek, hangi parametrenin hangi aralıkta kalabileceğini daha net görmenizi sağlar.

Estimated Time:1m 30s

Question 35Question →

Model belirleme (kimliklendirme) aşamasında olan durağan bir zaman serisine ait korelogram incelendiğinde, otokorelasyon katsayılarının ( $ACF$ ) ilk iki gecikmede ( $\rho_1$ ve $\rho_2$ ) güven sınırlarının dışında olduğu, üçüncü gecikmeden itibaren ise aniden sıfıra yaklaşarak istatistiksel olarak anlamsız hale geldiği (kesildiği) görülmüştür. Buna göre, bu zaman serisi için önerilecek en uygun model aşağıdakilerden hangisidir?

İkinci dereceden hareketli ortalama süreci —

MA(2)

İkinci dereceden otoregresif süreç —

AR(2)

Birinci dereceden hareketli ortalama süreci —

MA(1)

Birinci dereceden otoregresif süreç —

AR(1)

Karma süreç —

ARMA(1,1)

Show answer & explanation

Answer: İkinci dereceden hareketli ortalama süreci — $MA(2)$

Answer

İkinci dereceden hareketli ortalama süreci —

MA(2)

İkinci dereceden hareketli ortalama süreci (

MA(2)

) doğru cevaptır. Zaman serisi analizinde otokorelasyon fonksiyonunun (

ACF

)

q

. gecikmeden sonra kesilmesi, o serinin

q

. dereceden bir hareketli ortalama süreci olduğuna işaret eder. Soruda ACF'nin 2. gecikmeden sonra kesildiği (3. gecikmeden itibaren sıfıra düştüğü) ifade edildiği için bu bir

MA(2)

sürecidir.

Step-by-Step Solution

1

ACF grafiğinin davranışını analiz etme

Grafiğin 'kesilme' (cut-off) özelliği gösterdiği saptanmıştır.

Otokorelasyon değerlerinin belirli bir gecikmeden sonra aniden anlamsız hale gelmesi kesilme olarak adlandırılır.

2

Kesilme davranışını model türleri ile eşleştirme

ACF grafiği kesilen modeller Hareketli Ortalama (MA) modelleridir.

Otoregresif (AR) modellerde ACF sönümlenirken, MA modellerinde ACF kesilir.

3

Kesilme gecikmesine göre model derecesini belirleme

Kesilme 2. gecikmeden sonra olduğu için derece

q=2

olarak belirlenir.

Bir

MA(q)

sürecinin otokorelasyon fonksiyonu tam olarak

q

gecikme kadar anlamlı değerler alır ve sonrasında sıfıra düşer.

Key Concept

MA süreçlerinde ACF'nin kesilme (cut-off) davranışı

Question 36Question →

Zaman serisi analizinde, bir ARMA(1,1) süreci $(1 - \phi L)X_t = (1 - \theta L)\epsilon_t$ denklemi ile ifade edilmektedir. Burada $L$ gecikme operatörünü, $\epsilon_t$ ise beyaz gürültü sürecini temsil etmektedir. Bu modelin durağan (stationary) olduğu ancak tersinir (invertible) olmadığı parametre seti aşağıdakilerden hangisidir?

\phi = 1,25

ve

\theta = 0,60

\phi = 0,85

ve

\theta = 1,20

\phi = 0,40

ve

\theta = 0,40

\phi = 1,10

ve

\theta = 1,10

\phi = 0,70

ve

\theta = -0,70

Show answer & explanation

Answer: $\phi = 0,85$ ve $\theta = 1,20$

Answer

Modelin durağan olması için otoregresif katsayının mutlak değerinin 1'den küçük olması (

|\phi| < 1

), tersinir olmaması için ise hareketli ortalama katsayısının mutlak değerinin 1'den büyük veya eşit olması (

|\theta| \geq 1

) gerekir. Bu durumu sağlayan değerler

\phi = 0,85

ve

\theta = 1,20

şeklindedir.

Doğru cevap olan parametre setinde, otoregresif katsayı

\phi = 0,85

değeri mutlak değerce 1'den küçük olduğu için durağanlık şartı sağlanmaktadır; ancak hareketli ortalama katsayısı

\theta = 1,20

değeri mutlak değerce 1'den büyük olduğu için tersinirlik şartı bozulmaktadır.

Step-by-Step Solution

1

Durağanlık (Stationarity) koşulunu belirle.

|\phi| < 1

olmalıdır.

AR(1) süreçlerinde veya ARMA modellerinin AR kısmında durağanlık, karakteristik denklemin köklerinin birim çemberin dışında kalmasıyla, yani katsayının mutlak değerinin 1'den küçük olmasıyla sağlanır.

2

Tersinirlik (Invertibility) koşulunu belirle.

|\theta| < 1

olmalıdır.

MA(1) süreçlerinde veya ARMA modellerinin MA kısmında tersinirlik, sürecin sonsuz bir AR süreci olarak yazılabilmesi için katsayının mutlak değerinin 1'den küçük olmasını gerektirir.

3

Verilen seçenekleri her iki koşul açısından test et.

Durağanlık sağlanan (

|\phi| < 1

) ancak tersinirlik sağlanmayan (

|\theta| > 1

) parametre setini bul.

Soruda istenen özel durum (durağan ama tersinir değil) sadece

\phi = 0,85

ve

\theta = 1,20

değerlerinde gerçekleşmektedir.

Key Concept

ARMA modellerinde durağanlık AR katsayılarına, tersinirlik ise MA katsayılarına bağlıdır ve her iki kavramın matematiksel kısıtları birim çember analizi ile aynı yapıdadır.

Question 37Question →

Zaman serisi analizinde bir stokastik sürecin zayıf durağan (kovaryans durağan) olarak kabul edilmesi, serinin temel istatistiksel özelliklerinin zaman içinde değişmezliğini ifade eder. Buna göre, durağanlık kavramı ve koşulları ile ilgili aşağıdaki ifadelerden hangisi yanlıştır?

Zayıf durağanlık için sürecin beklenen değerinin zamandan bağımsız ve sabit bir

\mu

değerine eşit olması (

E(Y_t) = \mu

) gereklidir.

Sürecin varyansı her

t

anı için sonlu bir değer almalı ve zaman boyunca sabit kalmalıdır (

Var(Y_t) = \sigma^2 < \infty

).

AR(1)

sürecinin durağan olabilmesi için otoregresif katsayının mutlak değerce 1'den küçük (

|\phi| < 1

) olması şarttır.

Bir

MA(1)

sürecinin durağanlık özelliğini taşıması için model katsayısının mutlak değerce 1'den küçük (

|\theta| < 1

) olması zorunludur.

Kesin (strict) durağanlık, sürecin tüm ortak olasılık dağılım fonksiyonlarının zaman kaymasına göre değişmez kalmasını gerektiren, zayıf durağanlıktan daha güçlü bir koşuldur.

Show answer & explanation

Answer: Bir $MA(1)$ sürecinin durağanlık özelliğini taşıması için model katsayısının mutlak değerce 1'den küçük ( $|\theta| < 1$ ) olması zorunludur.

Answer

Bir MA(1) sürecinin durağanlık özelliğini taşıması için katsayısının mutlak değerce 1'den küçük olması gerektiği ifadesi yanlıştır; çünkü MA modelleri katsayı kısıtı olmaksızın her zaman durağandır.

Doğru cevap olan ifade yanlıştır çünkü Hareketli Ortalama (

MA

) süreçleri, katsayılarının değerinden bağımsız olarak her zaman durağandır.

|\theta| < 1

kısıtı, bir

MA

sürecinin tersinir (invertible) olması, yani sonsuz gecikmeli bir

AR

süreci olarak yazılabilmesi için gereken bir koşuldur.

Step-by-Step Solution

1

Zayıf durağanlık koşullarını hatırla

Zayıf durağanlık için; 1) Sabit ortalama, 2) Sabit varyans ve 3) Zamandan bağımsız (sadece gecikmeye bağlı) otokovaryans gerekir.

Durağanlığın tanımı gereği bu üç temel moment kısıtı sağlanmalıdır.

2

AR ve MA modelleri için durağanlık kısıtlarını incele

AR(1)

modeli için

|\phi| < 1

durağanlık şartıdır. Ancak

MA(q)

modelleri, sonlu sayıda beyaz gürültü teriminin toplamı oldukları için her zaman durağandır.

MA süreçlerinde varyans ve otokovaryanslar katsayılardan bağımsız olarak her zaman zamandan bağımsız sonuçlar verir.

3

Durağanlık ve tersinirlik ayrımını yap

MA(1)

için

|\theta| < 1

şartı durağanlık değil, sürecin bir sonsuz dereceli AR sürecine dönüştürülebilmesi (tersinirlik) için gereklidir.

Öğrencilerin en sık karıştırdığı kavramlardan biri durağanlık ve tersinirlik kısıtlarıdır.

Key Concept

Zaman serisi analizinde durağanlık (stationarity), serinin istatistiksel momentlerinin zaman boyunca sabit kalmasıdır. MA modelleri doğası gereği durağandır, AR modelleri ise parametre kısıtına tabidir.

Estimated Time:1m 30s

Question 38Question →

$\epsilon_t$ süreci, $E[\epsilon_t] = 0$ ve $Var(\epsilon_t) = \sigma^2$ özelliklerine sahip bir beyaz gürültü (white noise) süreci olmak üzere;

X_t = \epsilon_t + 0.6\epsilon_{t-1}

olarak tanımlanan birinci dereceden hareketli ortalama süreci $MA(1)$ için aşağıdakilerden hangisi doğrudur?

Süreç her zaman durağandır ve katsayısının mutlak değeri

1

'den küçük olduğu için tersinirlik (invertibility) koşulunu sağlar.

Süreç sadece

0.6 < 1

olduğu için durağandır; katsayı

1

'den büyük olsaydı durağan olmazdı.

Otokorelasyon fonksiyonu (ACF) üstel olarak sönümlenerek sıfıra yaklaşırken, kısmi otokorelasyon fonksiyonu (PACF)

1

. gecikmeden sonra kesilir.

Süreç gecikme operatörü (

B

) kullanılarak

(1 + 0.6B)X_t = \epsilon_t

şeklinde ifade edilir.

Süreç durağan olmadığı için otokorelasyon fonksiyonu tüm gecikmelerde

1

değerini alır.

Show answer & explanation

Answer: Süreç her zaman durağandır ve katsayısının mutlak değeri $1$ 'den küçük olduğu için tersinirlik (invertibility) koşulunu sağlar.

Answer

Süreç her zaman durağandır ve

|0.6| < 1

olduğu için tersinirdir.

Hareketli ortalama (MA) modelleri yapıları gereği her zaman durağandırlar. Bir serinin tersinir (invertible) olması ise serinin geçmiş hata terimleri yerine geçmiş gözlem değerleri cinsinden ifade edilebilmesi anlamına gelir ve bu durum

MA(1)

modeli için katsayının mutlak değerinin

1

'den küçük olmasına bağlıdır. Verilen modelde

0.6 < 1

olduğu için her iki özellik de sağlanmaktadır.

Step-by-Step Solution

1

Model türünü belirleyin.

MA(1)

(Birinci dereceden hareketli ortalama) modeli.

Süreç, mevcut hata terimi ve bir önceki dönemin hata teriminin doğrusal bir birleşimidir.

2

Durağanlık (stationarity) koşulunu inceleyin.

Süreç her zaman durağandır.

Hareketli ortalama süreçleri, katsayılar ne olursa olsun sonlu varyansa sahip beyaz gürültü serilerinin doğrusal toplamı oldukları için her zaman zayıf durağandırlar.

3

Tersinirlik (invertibility) koşulunu kontrol edin.

|0.6| < 1

olduğu için süreç tersinirdir.

MA(1)

modelinin bir

AR(\infty)

modeline dönüştürülebilmesi için katsayısının mutlak değerinin

1

'den küçük olması gerekir.

4

ACF ve PACF davranışlarını belirleyin.

ACF

1

. gecikmede kesilir, PACF sönümlenir.

MA(q)

modellerinde otokorelasyon fonksiyonu

q

gecikmeden sonra sıfır olurken, kısmi otokorelasyon fonksiyonu azalarak sıfıra yaklaşır.

Key Concept

MA Modellerinde Durağanlık ve Tersinirlik

Practice More

MA(2) süreci için tersinirlik kısıtlarını (üçgen bölgesi) inceleyerek katsayılar arasındaki ilişkiyi çalışabilirsiniz.

Estimated Time:1m 30s

Question 39Question →

Zaman serisi modellerinde, bir Hareketli Ortalama (MA) sürecinin sonsuz dereceli bir Otoregresif (AR) süreç olarak ifade edilebilmesini sağlayan 'tersinirlik' (invertibility) özelliği, modelin öngörü kabiliyeti açısından kritik öneme sahiptir.

\epsilon_t \sim WN(0, \sigma^2)

beyaz gürültü süreci olmak üzere, bir zaman serisi süreci şu şekilde tanımlanmıştır:

X_t = \epsilon_t - 1,2 \epsilon_{t-1} + 0,35 \epsilon_{t-2}

Buna göre, verilen sürecin tersinirlik durumu ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Karakteristik denklemin kökleri birim çemberin dışında yer aldığı için süreç tersinirdir.

Katsayıların mutlak değerleri toplamı 1'den büyük olduğu için süreç tersinir değildir.

Birinci gecikme katsayısı mutlak değerce 1'den büyük (

|1,2| > 1

) olduğu için süreç tersinir değildir.

Tüm sonlu hareketli ortalama süreçleri gibi bu süreç de otomatik olarak tersinirdir.

Karakteristik denklemin kökleri birim çemberin içinde yer aldığı için süreç tersinir değildir.

Show answer & explanation

Answer: Karakteristik denklemin kökleri birim çemberin dışında yer aldığı için süreç tersinirdir.

Answer

Süreç tersinirdir çünkü karakteristik denklemin her iki kökü de (

z_1 = 2

ve

z_2 = 1,43

) birim çemberin dışında kalmaktadır.

Verilen

X_t = \epsilon_t - 1,2 \epsilon_{t-1} + 0,35 \epsilon_{t-2}

sürecinde karakteristik kökler

2

ve

1,43

olarak hesaplanmıştır. Bu değerlerin her ikisi de mutlak değerce 1'den büyük olduğu (

|z| > 1

) için süreç tersinirlik koşulunu tam olarak sağlamaktadır.

Step-by-Step Solution

1

Sürecin MA operatörü cinsinden karakteristik denklemini yazın.

1 - 1,2z + 0,35z^2 = 0

Tersinirlik analizi, MA(q) polinomunun köklerinin birim çember ile ilişkisine dayanır.

2

Karakteristik denklemin köklerini (

z

) hesaplayın.

z_{1,2} = \frac{1,2 \pm \sqrt{(-1,2)^2 - 4(0,35)(1)}}{2(0,35)} = \frac{1,2 \pm \sqrt{1,44 - 1,40}}{0,70} = \frac{1,2 \pm 0,2}{0,7}

buradan

z_1 = 2

ve

z_2 = 10/7 \approx 1,43

Köklerin sayısal değerleri, tersinirlik koşulunun sağlanıp sağlanmadığını belirler.

3

Köklerin mutlak değerlerini birim çember yarıçapı (1) ile kıyaslayın.

|2| > 1

ve

|1,43| > 1

Tüm köklerin birim çemberin dışında (

|z| > 1

) olması sürecin tersinir olması için gerekli ve yeterli koşuldur.

Key Concept

Bir MA(q) sürecinin tersinir olması için

\theta(z) = 0

karakteristik denkleminin tüm köklerinin karmaşık düzlemde birim çemberin dışında yer alması gerekir.

Estimated Time:2m 0s

Question 40Question →

$\epsilon_t$ süreci, sıfır beklenen değerli ve $\sigma_\epsilon^2$ sabit varyanslı bir beyaz gürültü (white noise) süreci olmak üzere;

X_t = \epsilon_t - 1,2\epsilon_{t-1} + 0,32\epsilon_{t-2}

biçiminde tanımlanan zaman serisi modeli ile ilgili aşağıdakilerden hangisi doğrudur?

Model her zaman durağandır ve tersinirlik koşulunu sağlar.

Model durağandır ancak tersinirlik koşulunu sağlamaz.

Model tersinirdir ancak durağanlık koşulunu sağlamaz.

Modelin otokorelasyon fonksiyonu (ACF) üstel olarak sönümlenerek sıfıra yaklaşır.

Modelin kısmi otokorelasyon fonksiyonu (PACF) 2. gecikmeden sonra kesilir.

Show answer & explanation

Answer: Model her zaman durağandır ve tersinirlik koşulunu sağlar.

Answer

Model, MA(q) süreçlerinin doğası gereği durağandır ve karakteristik kökleri birim çemberin dışında kaldığı için tersinirdir.

Verilen model bir MA(2) sürecidir. Hareketli ortalama süreçleri, sonlu sayıda beyaz gürültü teriminin doğrusal bileşimi oldukları için katsayılar ne olursa olsun her zaman durağandır. Tersinirlik için

1 - 1,2z + 0,32z^2 = 0

denkleminin kökleri incelendiğinde

z_1=2,5

ve

z_2=1,25

değerleri bulunur. Her iki kök de birim çemberin dışında (

|z|>1

) yer aldığı için model aynı zamanda tersinirdir.

Step-by-Step Solution

1

Model tipini ve durağanlık özelliğini belirleme

Model MA(2) tipindedir ve tüm MA süreçleri katsayılardan bağımsız olarak her zaman durağandır.

Durağanlık için MA süreçlerinde parametre kısıtı bulunmaz.

2

Tersinirlik (invertibility) analizi için karakteristik denklemi kurma

1 - 1,2z + 0,32z^2 = 0

Tersinirlik koşulu, karakteristik denklemin köklerinin mutlak değerce 1'den büyük olmasını gerektirir.

3

Karakteristik denklemin köklerini hesaplama

z = \frac{1,2 \pm \sqrt{1,2^2 - 4(0,32)}}{2(0,32)} = \frac{1,2 \pm \sqrt{0,16}}{0,64} \Rightarrow z_1 = 2,5, z_2 = 1,25

Köklerin konumunu belirleyerek tersinirlik kararını vermek.

4

ACF ve PACF davranışını değerlendirme

ACF 2. gecikmeden sonra kesilir, PACF ise sönümlenir.

MA(q) modellerinin kimliklendirme özelliklerini kontrol etmek.

Key Concept

MA Modellerinde Durağanlık, Tersinirlik ve Tanımlayıcı Fonksiyonlar

Practice More

Modelin katsayılarını değiştirerek (örneğin

\theta_1=1,5

) tersinirliğin nasıl bozulacağını inceleyebilirsiniz.

Estimated Time:1m 40s

Durağan Zaman Serisi Modelleri

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Alternative Method

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Practice More

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Hints

Practice More

Alternative Method

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept

Common Mistakes

Answer

Step-by-Step Solution

Key Concept