Durağan Zaman Serisi Modelleri Alıştırma Soruları — KPSS İstatistik — Sayfa 3

Soru 41Soru →

Bir araştırmacı, durağan bir zaman serisine ait otokorelasyon (ACF) ve kısmi otokorelasyon (PACF) fonksiyonlarını incelediğinde; her iki fonksiyonun da belirli bir gecikmede kesilmediği, aksine gecikme sayısı arttıkça sıfıra doğru üstel bir şekilde sönümlendiğini gözlemlemiştir. Yapılan ekonometrik tahmin sonucunda model denklemi şu şekilde belirlenmiştir:

Y_t = 0,7 Y_{t-1} + \epsilon_t - 0,4 \epsilon_{t-1}

Bu bilgiler ışığında, söz konusu zaman serisi süreci ve tahmin edilen model için aşağıdakilerden hangisi doğrudur?

Model

ARMA(1,1)

yapısındadır; süreç hem durağan hem de tersinirdir.

Model

AR(1)

yapısındadır; PACF fonksiyonunun sönümlenmesi bu model türünün en belirgin özelliğidir.

Model

MA(1)

yapısındadır; ACF fonksiyonunun sönümlenmesi bu model türünü kanıtlar.

Model

ARMA(1,1)

yapısındadır; ancak otoregresif katsayı nedeniyle süreç durağan değildir.

Model

ARMA(1,1)

yapısındadır; ancak hata terimi katsayısı nedeniyle süreç tersinir değildir.

Cevabı ve açıklamayı göster

Cevap: Model $ARMA(1,1)$ yapısındadır; süreç hem durağan hem de tersinirdir.

Cevap

Zaman serisi süreci

ARMA(1,1)

yapısında olup, hem durağanlık hem de tersinirlik koşullarını sağlamaktadır.

Zaman serisi teorisine göre, ACF ve PACF fonksiyonlarının her ikisinin de sönümlenmesi sürecin

ARMA(p,q)

yapısında olduğunu gösterir. Verilen denklemde bir adet gecikmeli bağımlı değişken (

Y_{t-1}

) ve bir adet gecikmeli hata terimi (

\epsilon_{t-1}

) bulunduğu için model

ARMA(1,1)

'dir.

AR

katsayısı (

0,7

) ve

MA

katsayısı (

-0,4

) mutlak değerce

1

'den küçük olduğu için süreç hem durağan hem de tersinirdir.

Adım Adım Çözüm

1

ACF ve PACF grafiklerinin davranışını analiz etme

Her iki fonksiyonun da sönümlenmesi (tail off), sürecin karma bir yapı olan

ARMA(p,q)

olduğunu gösterir.

Saf

AR

modellerinde PACF kesilir, saf

MA

modellerinde ise ACF kesilir; her ikisinin sönümlenmesi ancak

ARMA

modellerinde görülür.

2

Otoregresif (AR) bileşenin durağanlık kontrolünü yapma

|\phi| = |0,7| < 1

AR(1)

süreci için durağanlık şartı katsayının mutlak değerce

1

'den küçük olmasıdır.

3

Hareketli Ortalama (MA) bileşenin tersinirlik (invertibility) kontrolünü yapma

|\theta| = |-0,4| < 1

MA(1)

süreci için tersinirlik şartı katsayının mutlak değerce

1

'den küçük olmasıdır.

Anahtar Kavram

ARMA(p,q) Modellerinde Tanımlama ve Şartlar

Tahmini Süre:1m 30s

Soru 42Soru →

Durağan bir zaman serisinin otokorelasyon yapısı incelendiğinde ilk iki gecikmeye ait otokorelasyon katsayılarının değerleri aşağıdaki tabloda verilmiştir:

Gecikme ( $k$ )	Otokorelasyon ( $\rho_k$ )
1	$0,50$
2	$0,40$

Buna göre, bu serinin ikinci dereceden kısmi otokorelasyon katsayısının ( $\phi_{22}$ ) değeri kaçtır?

0,20

0,40

0,15

0,25

0,75

Cevabı ve açıklamayı göster

Cevap: 0,20

Cevap

İkinci dereceden kısmi otokorelasyon katsayısının (

\phi_{22}

) değeri 0,20'dir.

İkinci dereceden kısmi otokorelasyon katsayısı (

\phi_{22}

), otokorelasyon katsayıları cinsinden

\frac{\rho_2 - \rho_1^2}{1 - \rho_1^2}

formülüyle hesaplanır. Verilen

0,50

ve

0,40

değerleri yerine yazıldığında

0,15 / 0,75 = 0,20

sonucu elde edilir.

Adım Adım Çözüm

1

İkinci dereceden kısmi otokorelasyon katsayısı için gerekli olan Yule-Walker tabanlı formülü belirleyin.

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

\phi_{22}

, serinin 1. gecikmedeki etkisinden arındırılmış saf 2. gecikme etkisini ölçer.

2

Tabloda verilen

\rho_1 = 0,50

ve

\rho_2 = 0,40

değerlerini formülde yerine koyun.

\phi_{22} = \frac{0,40 - (0,50)^2}{1 - (0,50)^2}

Hesaplama için verilen parametrelerin doğru yerleştirilmesi gerekir.

3

Matematiksel işlemleri gerçekleştirin.

\phi_{22} = \frac{0,40 - 0,25}{1 - 0,25} = \frac{0,15}{0,75} = 0,20

Pay ve payda arasındaki oran, aranan kısmi otokorelasyon değerini verir.

Anahtar Kavram

Kısmi otokorelasyon fonksiyonu (

PACF

), zaman serisindeki iki gözlem arasındaki doğrudan ilişkiyi, aradaki diğer gecikmelerin etkisini dışarıda bırakarak ölçer.

Daha Fazla Pratik

Eğer

\phi_{22} = 0

çıksaydı, bu serinin birinci dereceden bir otoregresif (

AR(1)

) süreci takip ettiğini söyleyebilirdik.

Alternatif Yöntem

Cramer kuralı kullanılarak

2 \times 2

boyutundaki Yule-Walker matris sisteminin çözülmesiyle de aynı sonuca ulaşılabilir, ancak bu yöntem sınav süresince daha fazla zaman alabilir.

Tahmini Süre:1m 30s

Soru 43Soru →

$\epsilon_t \sim WN(0, \sigma^2)$ beyaz gürültü süreci olmak üzere, bir zaman serisi $X_t = \epsilon_t + 0,5 \epsilon_{t-1} + \theta_2 \epsilon_{t-2}$ denklemi ile ifade edilen bir Hareketli Ortalama (MA) süreci izlemektedir. Bu sürecin tersinir (invertible) olması için $\theta_2$ parametresinin tanımlı olduğu en geniş değer aralığı aşağıdakilerden hangisidir?

-0,5 < \theta_2 < 1

-1 < \theta_2 < 1

-1,5 < \theta_2 < 1

\theta_2 > -0,5

|\theta_2| < 0,5

Cevabı ve açıklamayı göster

Cevap: $-0,5 < \theta_2 < 1$

Cevap

Sürecin tersinir olması için

\theta_2

parametresi

-0,5 < \theta_2 < 1

aralığında olmalıdır.

Verilen süreç bir MA(2) sürecidir. Bir MA(2) sürecinin tersinir olması için katsayıların (

\theta_1, \theta_2

) katsayılar düzleminde bir üçgen içerisinde yer alması gerekir. Bu koşullar

\theta_2 < 1

,

\theta_2 - \theta_1 > -1

ve

\theta_2 + \theta_1 > -1

şeklindedir. Soru kökünde

\theta_1 = 0,5

(dikkat: denklemdeki artı işareti nedeniyle standart formda

\theta_1 = -0,5

olarak alınsa da, Box-Jenkins gösteriminde

1+\theta_1 L + \theta_2 L^2

formu kullanıldığında

\theta_1=0,5

olur) olarak verildiğinde, eşitsizlikler çözüldüğünde en dar kısıtlayıcı aralık

-0,5 < \theta_2 < 1

olarak bulunur.

Adım Adım Çözüm

1

Süreci gecikme operatörü (

L

) cinsinden yazarak katsayıları belirleyin.

\theta(L) = 1 + 0,5L + \theta_2 L^2

denkleminde

\theta_1 = 0,5

ve

\theta_2

katsayıları elde edilir.

MA(2) süreçlerinde tersinirlik koşulları karakteristik denklemin katsayıları üzerinden tanımlanır.

2

MA(2) süreçleri için gerekli olan üç tersinirlik koşulunu uygulayın.

1)

\theta_2 < 1

| 2)

\theta_2 - \theta_1 > -1

| 3)

\theta_2 + \theta_1 > -1

Bu koşullar, karakteristik denklemin köklerinin birim çemberin dışında kalmasını garanti eder.

3

Bilinen

\theta_1 = 0,5

değerini eşitsizliklerde yerine koyarak çözün.

2)

\theta_2 - 0,5 > -1 \Rightarrow \theta_2 > -0,5

ve 3)

\theta_2 + 0,5 > -1 \Rightarrow \theta_2 > -1,5

Parametre aralıklarını belirlemek için temel cebirsel işlemler uygulanır.

4

Tüm aralıkların kesişimini bulun.

\theta_2 < 1

,

\theta_2 > -0,5

ve

\theta_2 > -1,5

koşullarının kesişimi

-0,5 < \theta_2 < 1

aralığıdır.

Tersinirlik için tüm koşulların aynı anda sağlanması gerekir.

Anahtar Kavram

MA(2) süreçlerinde tersinirlik koşulları (Invertibility Conditions)

Daha Fazla Pratik

ARMA(1,1) modellerinde tersinirlik koşulunun neden sadece MA kısmındaki katsayıya bağlı olduğunu inceleyiniz.

Tahmini Süre:2m 0s

Soru 44Soru →

ε_t

süreci, sıfır beklenen değerli ve

σ^2

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

X_t = ε_t + θ ε_{t-1}

şeklinde tanımlanan birinci dereceden hareketli ortalama

MA(1)

modeli için aşağıdakilerden hangisi kesinlikle doğrudur?

Model,

θ

parametresinin değerinden bağımsız olarak her zaman durağandır.

Modelin durağan olabilmesi için

|θ| < 1

koşulunun sağlanması gerekir.

Modelin otokorelasyon fonksiyonu (ACF) tüm gecikmeler için üstel olarak sönümlenir.

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

Modelin durağan olması için

θ

parametresinin mutlak değerce 1'den büyük olması gerekir.

Cevabı ve açıklamayı göster

Cevap: Model, $θ$ parametresinin değerinden bağımsız olarak her zaman durağandır.

Cevap

Model, parametre değerine bakılmaksızın her zaman durağandır.

Durağanlık, bir zaman serisinin istatistiksel özelliklerinin zamana bağlı olarak değişmemesidir. Hareketli ortalama (MA) modelleri, durağan olan beyaz gürültü hata terimlerinin sonlu bir toplaması olduğu için

θ

katsayısının değeri ne olursa olsun her zaman durağanlık özelliğini sağlar.

Adım Adım Çözüm

1

Modelin yapısını ve bileşenlerini tanımlayın.

Model, beyaz gürültü hata terimlerinin sonlu bir toplamından oluşan

MA(1)

sürecidir.

Zaman serisi modellerinde durağanlık analizi yapılırken modelin tipi (AR, MA veya ARMA) ilk olarak belirlenmelidir.

2

MA modelleri için durağanlık koşullarını değerlendirin.

MA modelleri tanım gereği her zaman durağandır.

Beyaz gürültü süreçlerinin sonlu doğrusal bileşenleri her zaman sabit bir beklenen değer ve varyansa sahiptir, bu da durağanlık için yeterlidir.

3

Tersinirlik ve durağanlık ayrımını yapın.

|θ| < 1

koşulu sadece tersinirlik için gereklidir.

Kullanılan parametre sınırlamalarının hangi özelliği (durağanlık vs. tersinirlik) sağladığının karıştırılmaması gerekir.

Anahtar Kavram

Hareketli Ortalama (MA) süreçlerinin durağanlık özelliği

Daha Fazla Pratik

MA(2) modelinin ACF fonksiyonunun kaçıncı gecikmeden sonra kesildiğini inceleyin.

Alternatif Yöntem

MA modellerinin durağanlığını anlamak için varyans formülüne bakılabilir.

Var(X_t) = σ^2(1 + θ^2)

değeri her zaman sabittir ve zamana (

t

) bağlı değildir, bu da durağanlığın temel göstergesidir.

Tahmini Süre:45s

Soru 45Soru →

$\epsilon_t$ beyaz gürültü (white noise) sürecini ve $L$ gecikme operatörünü göstermek üzere, aşağıda verilen birinci dereceden otoregresif modellerden hangisi zayıf durağan bir zaman serisi sürecini temsil etmektedir?

(1 - 0,85L)Y_t = \epsilon_t

(1 - 1,2L)Y_t = \epsilon_t

(1 + 1,05L)Y_t = \epsilon_t

(1 - L)Y_t = \epsilon_t

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

Cevabı ve açıklamayı göster

Cevap: $(1 - 0,85L)Y_t = \epsilon_t$

Cevap

Otoregresif katsayısının mutlak değerce 1'den küçük olduğu

(1 - 0,85L)Y_t = \epsilon_t

modeli zayıf durağandır.

Verilen modellerden otoregresif katsayısının mutlak değeri 1'den küçük olan (

|0,85| < 1

) seçenek, zayıf durağanlık (kovaryans durağanlık) koşullarını sağlamaktadır. Bu durumda serinin ortalaması ve varyansı zaman boyunca sabit kalır.

Adım Adım Çözüm

1

AR(1) süreci için durağanlık koşulunu belirle.

|\phi| < 1

Birinci dereceden otoregresif bir sürecin durağan olabilmesi için karakteristik denklemin köklerinin birim çember dışında kalması, yani modeldeki otoregresif katsayının mutlak değerinin 1'den küçük olması gerekir.

2

Seçeneklerdeki katsayıları mutlak değerce kontrol et.

|0,85| < 1

,

|1,2| > 1

,

|-1,05| > 1

,

|1| = 1

,

|-2,0| > 1

Zayıf durağanlık tanımına uyan tek değer 0,85 katsayısıdır.

Anahtar Kavram

AR(1) Süreci Durağanlık Koşulu

Tahmini Süre:45s

Soru 46Soru →

Zaman serisi analizinde $\epsilon_t \sim WN(0, \sigma^2)$ beyaz gürültü serisini temsil etmek üzere, $X_t = \epsilon_t + 0,7 \epsilon_{t-1}$ olarak tanımlanan süreç için aşağıdakilerden hangisi doğrudur?

Süreç hem durağan hem de tersinirdir.

Süreç durağandır ancak tersinir değildir.

Süreç tersinirdir ancak durağan değildir.

Süreç ne durağandır ne de tersinirdir.

Sürecin tersinir olması için katsayının mutlak değerinin 1'den büyük olması gerekir.

Cevabı ve açıklamayı göster

Cevap: Süreç hem durağan hem de tersinirdir.

Cevap

Verilen süreç hem durağan hem de tersinirdir.

Verilen

X_t = \epsilon_t + 0,7 \epsilon_{t-1}

süreci bir MA(1) modelidir. Hareketli ortalama süreçleri doğası gereği her zaman durağandır. Bir MA(1) sürecinin tersinir olabilmesi için katsayı olan

0,7

değerinin mutlak değerce 1'den küçük olması (

|0,7| < 1

) gerekmektedir. Bu koşul sağlandığı için süreç hem durağan hem de tersinirdir.

Adım Adım Çözüm

1

Modelin türünü belirleyin.

Süreç

X_t = \epsilon_t + 0,7 \epsilon_{t-1}

formunda olduğu için bir MA(1) sürecidir.

Gecikme terimi sadece hata terimi (

ε

) üzerinde olduğu için hareketli ortalama (MA) modelidir.

2

Durağanlık koşulunu kontrol edin.

MA(1) süreci her zaman durağandır.

MA süreçlerinin beklenen değeri ve varyansı zamandan bağımsız olarak sabittir; dolayısıyla katsayıdan bağımsız olarak durağandırlar.

3

Tersinirlik (invertibility) koşulunu kontrol edin.

|0,7| < 1

olduğu için süreç tersinirdir.

Bir MA(1) sürecinin tersinir olabilmesi için katsayısının mutlak değerinin 1'den küçük olması gerekir.

Anahtar Kavram

MA(1) süreçlerinde durağanlık her zaman sağlanırken, tersinirlik için katsayının mutlak değerinin 1'den küçük olması gerekir.

İpuçları

1

Hareketli ortalama (MA) süreçlerinin durağanlık için katsayı kısıtı olup olmadığını hatırlayın.

2

MA(1) sürecinin tersinir olabilmesi için gecikme katsayısının hangi aralıkta olması gerektiğini kontrol edin.

Daha Fazla Pratik

MA(2) süreçlerinde tersinirlik için gereken üç temel eşitsizlik kısıtını gözden geçirebilirsiniz.

Tahmini Süre:45s

Soru 47Soru →

Bir araştırmacı, durağan bir zaman serisinin modelini belirlemek amacıyla hesapladığı kısmi otokorelasyon fonksiyonu ( $PACF$ ) değerlerini aşağıdaki tabloda özetlemiştir:

Gecikme ( $k$ )	$PACF$ ( $\phi_{kk}$ )
1	0,72
2	0,03
3	-0,02
4	0,01

Tablodaki değerler (ikinci gecikmeden itibaren tüm değerlerin güven sınırları dahilinde sıfır kabul edildiği varsayımıyla), bu serinin aşağıdaki modellerden hangisine uygun olduğunu gösterir?

AR(1)

MA(1)

AR(2)

MA(2)

ARMA(1,1)

Cevabı ve açıklamayı göster

Cevap: $AR(1)$

Cevap

Verilen

PACF

değerleri birinci gecikmeden sonra kesildiği için bu zaman serisi

AR(1)

modeline uygundur.

Durağan bir zaman serisinde kısmi otokorelasyon fonksiyonu (

PACF

), otoregresif (

AR

) süreçlerin derecesini belirlemek için kullanılır. Teorik olarak

AR(p)

süreçlerinde

PACF

değerleri

p

. gecikmeden sonra kesilerek sıfıra gider. Verilen tabloda birinci gecikme değeri (

0,72

) oldukça yüksekken, ikinci gecikmeden itibaren değerler sıfıra çok yakın ve anlamsız hale gelmiştir. Bu durum, serinin birinci dereceden otoregresif sürece (

AR(1)

) sahip olduğunu kesin olarak gösterir.

Adım Adım Çözüm

1

Tablodaki

PACF

değerlerinin değişimini analiz edin.

Birinci gecikmede

0,72

gibi yüksek ve anlamlı bir değer varken, ikinci gecikmeden itibaren değerler aniden sıfıra (

0,03

,

-0,02

vb.) düşmüştür.

Zaman serisi modellerinde 'kesilme' (cut-off) davranışının hangi gecikmede gerçekleştiğini saptamak model derecesini belirler.

2

Otoregresif (

AR

) modellerin teorik özelliklerini hatırlayın.

AR(p)

modellerinde kısmi otokorelasyon fonksiyonu (

PACF

),

p

. gecikmeden sonra doğrudan kesilerek sıfıra düşer.

Model kimliklendirme aşamasında

PACF

,

AR

sürecinin derecesini belirlemek için kullanılan temel araçtır.

3

Elde edilen bulguları seçeneklerle karşılaştırın.

Kesilme birinci gecikmede (

p=1

) gerçekleştiği için seri

AR(1)

modelidir.

Tablodaki davranış sadece birinci dereceden otoregresif model tanımına uymaktadır.

Anahtar Kavram

Kısmi otokorelasyon fonksiyonunun (PACF) AR(p) modelleri için p. gecikmede kesilme (cut-off) özelliği göstermesi.

İpuçları

1

PACF

değerlerinin nerede 'aniden sıfıra düştüğüne' (kesildiğine) dikkat edin.

2

AR(p)

modellerinde

PACF

fonksiyonu

p

. gecikmede kesilir. Tablodaki kesilme kaçıncı gecikmede gerçekleşiyor?

3

Birinci gecikme dışında tüm değerler sıfıra çok yakın olduğundan, modelin derecesi 1'dir ve fonksiyon

PACF

olduğu için bu bir

AR

modelidir.

Daha Fazla Pratik

Aynı serinin

ACF

(Otokorelasyon Fonksiyonu) değerlerinin sönümlenerek mi yoksa kesilerek mi devam edeceğini düşünerek

AR

ve

MA

farkını pekiştirebilirsiniz.

Tahmini Süre:45s

Soru 48Soru →

Bir zaman serisi analisti, üzerinde çalıştığı durağan veri seti için aşağıdaki modeli belirlemiştir:

Y_t = 8 + 0,65 Y_{t-1} + \epsilon_t - 0,45 \epsilon_{t-1}

Burada $\epsilon_t$ hata terimleri, ortalaması sıfır ve varyansı sabit olan beyaz gürültü (white noise) sürecidir. Belirlenen bu sürece ilişkin aşağıdaki ifadelerden hangisi doğrudur?

Söz konusu süreç

ARMA(1,1)

yapısındadır; parametre değerlerine göre hem durağan hem de tersinirdir.

Bu model

ARMA(1,1)

yapısında olmasına rağmen, hareketli ortalama katsayısının işareti nedeniyle tersinirlik (invertibility) koşulunu sağlamaz.

Sürecin kısmi otokorelasyon (PACF) fonksiyonu, birinci gecikmeden (

k=1

) sonra kesin olarak kesilir ve sıfıra düşer.

Modelde sadece bir adet gecikmeli bağımlı değişken bulunduğu için süreç saf bir

AR(1)

modeli olarak sınıflandırılmalıdır.

Otoregresif katsayının pozitif bir değer (

0,65

) alması nedeniyle seri durağan olmayan (non-stationary) bir yapı sergilemektedir.

Cevabı ve açıklamayı göster

Cevap: Söz konusu süreç $ARMA(1,1)$ yapısındadır; parametre değerlerine göre hem durağan hem de tersinirdir.

Cevap

Model

ARMA(1,1)

yapısındadır ve hem durağanlık hem de tersinirlik koşullarını sağlamaktadır.

Model incelendiğinde bir adet gecikmeli bağımlı değişken ve bir adet gecikmeli hata terimi içerdiği görülmektedir, bu da yapının

ARMA(1,1)

olduğunu kanıtlar. Durağanlık için AR bileşeninin katsayısı olan

0,65

mutlak değerce

1

'den küçük olmalıdır (

|0,65| < 1

, sağlanıyor). Tersinirlik için ise MA bileşeninin katsayısı olan

-0,45

mutlak değerce

1

'den küçük olmalıdır (

|-0,45| < 1

, sağlanıyor). Dolayısıyla süreç hem durağan hem de tersinirdir.

Adım Adım Çözüm

1

Modelin yapısını ve derecelerini belirleyin.

Modelde

Y_{t-1}

(AR bileşeni) ve

\epsilon_{t-1}

(MA bileşeni) bulunmaktadır. Bu durum modelin

ARMA(1,1)

olduğunu gösterir.

ARMA(p,q) modelinde p otoregresif, q ise hareketli ortalama derecesini temsil eder.

2

Durağanlık (stationarity) koşulunu kontrol edin.

Otoregresif parametre

\phi_1 = 0,65

.

|\phi_1| = |0,65| = 0,65 < 1

olduğundan durağanlık şartı sağlanmaktadır.

Birinci dereceden otoregresif süreçlerde durağanlık için katsayının mutlak değeri 1'den küçük olmalıdır.

3

Tersinirlik (invertibility) koşulunu kontrol edin.

Hareketli ortalama parametresi

\theta_1 = -0,45

.

|\theta_1| = |-0,45| = 0,45 < 1

olduğundan tersinirlik şartı sağlanmaktadır.

Birinci dereceden hareketli ortalama süreçlerinde tersinirlik için katsayının mutlak değeri 1'den küçük olmalıdır.

Anahtar Kavram

ARMA(1,1) modellerinde durağanlık AR katsayısına, tersinirlik ise MA katsayısına bağlıdır.

Tahmini Süre:1m 30s

Soru 49Soru →

Zaman serisi analizinde, bir Hareketli Ortalama (MA) sürecinin gözlemlenen değerler cinsinden sonsuz bir Otoregresif (AR) sürece dönüştürülebilmesi "tersinirlik" (invertibility) özelliği ile açıklanır. $L$ gecikme operatörünü ( $LX_t = X_{t-1}$ ) ve $\epsilon_t \sim WN(0, \sigma^2)$ beyaz gürültü sürecini temsil etmek üzere, $X_t = \epsilon_t - \theta_1 \epsilon_{t-1} + 0,24 \epsilon_{t-2}$ şeklinde tanımlanan bir MA(2) sürecinin tersinir olması için $\theta_1$ parametresinin alabileceği değer aralığı aşağıdakilerden hangisidir?

-1,24 < \theta_1 < 1,24

-1 < \theta_1 < 1

-0,76 < \theta_1 < 0,76

\theta_1 < 1,24

|\theta_1| < 0,24

Cevabı ve açıklamayı göster

Cevap: $-1,24 < \theta_1 < 1,24$

Cevap

Sürecin tersinir olması için

\theta_1

parametresi

-1,24 < \theta_1 < 1,24

aralığında olmalıdır.

Verilen

X_t = \epsilon_t - \theta_1 \epsilon_{t-1} + 0,24 \epsilon_{t-2}

modelinde MA bileşenleri

\theta_1

ve

\theta_2 = -0,24

olarak tanımlanmıştır. Bir MA(2) sürecinin tersinir olması için karakteristik denklemin köklerinin birim çemberin dışında olması gerekir, bu da katsayılar üzerinde şu üç şartı gerektirir:

\theta_2 + \theta_1 < 1

,

\theta_2 - \theta_1 < 1

ve

|\theta_2| < 1

. İkinci katsayı

-0,24

yerine konulduğunda

\theta_1 < 1,24

ve

\theta_1 > -1,24

eşitsizlikleri elde edilir. Dolayısıyla

\theta_1

bu iki değer arasında olmalıdır.

Adım Adım Çözüm

1

Modelin karakteristik denklemini ve katsayılarını belirleme

\theta(L) = 1 - \theta_1 L + 0,24 L^2

. Standart form

1 - \phi_1 L - \phi_2 L^2

ile karşılaştırıldığında

\phi_1 = \theta_1

ve

\phi_2 = -0,24

elde edilir.

Tersinirlik koşulları karakteristik denklemin katsayıları üzerinden tanımlanır.

2

MA(2) süreci için tersinirlik (kararlılık üçgeni) koşullarını uygulama

1)

\phi_1 + \phi_2 < 1

, 2)

\phi_2 - \phi_1 < 1

, 3)

|\phi_2| < 1

.

İkinci derece bir polinomun köklerinin birim çemberin dışında kalması için bu üç koşulun aynı anda sağlanması gerekir.

3

Verilen değerleri koşullarda yerine koyarak

\theta_1

aralığını hesaplama

1)

\theta_1 - 0,24 < 1 \Rightarrow \theta_1 < 1,24

. 2)

-0,24 - \theta_1 < 1 \Rightarrow -1,24 < \theta_1

. 3)

|-0,24| < 1

(Sağlanır).

Elde edilen eşitsizliklerin kesişimi nihai parametre aralığını verir.

Anahtar Kavram

MA(2) Süreçlerinde Tersinirlik Koşulları

Daha Fazla Pratik

Farklı MA(2) katsayıları ile kök analizi yaparak tersinirlik bölgesini grafik üzerinde inceleyebilirsiniz.

Tahmini Süre:1m 40s

Soru 50Soru →

Durağan bir birinci dereceden otoregresif süreç olan $AR(1)$ modelinde, otoregresif parametrenin $-1 < \phi < 0$ aralığında bir değer aldığı bilinmektedir. Buna göre, bu sürece ait otokorelasyon fonksiyonu ( $ACF$ ) değerlerinin ( $\rho_k$ ) gecikme sayısı ( $k$ ) arttıkça sergileyeceği teorik davranış aşağıdakilerden hangisidir?

İlk gecikmede negatif değer alır ve ardından işaret değiştirerek (dalgalı bir şekilde) sönümlenir.

Pozitif değerler alarak üstel bir şekilde sönümlenir.

Birinci gecikmeden sonra aniden kesilerek sıfır değerini alır.

Gecikme sayısı arttıkça doğrusal bir şekilde azalarak sıfıra yaklaşır.

Tüm gecikmeler için hesaplanan değerler birbirine eşit ve sabittir.

Cevabı ve açıklamayı göster

Cevap: İlk gecikmede negatif değer alır ve ardından işaret değiştirerek (dalgalı bir şekilde) sönümlenir.

Cevap

Otoregresif parametrenin negatif olduğu bir

AR(1)

sürecinde, otokorelasyon fonksiyonu ilk gecikmede negatif değer alıp ardından işaret değiştirerek sönümlenir.

Durağan bir

AR(1)

modelinde otokorelasyon fonksiyonu

\rho_k = \phi^k

şeklinde hesaplanır. Eğer

\phi

parametresi negatifse,

k

tek sayı olduğunda

\rho_k

negatif,

k

çift sayı olduğunda ise pozitif değerler alır. Bu durum korelogramda dalgalı veya işaret değiştirerek azalan bir sönümlenme görüntüsü oluşturur.

Adım Adım Çözüm

1

AR(1)

süreci için otokorelasyon fonksiyonu (

ACF

) formülünü belirle.

\rho_k = \phi^k

AR(1)

modellerinde

k

. gecikmedeki otokorelasyon, parametrenin

k

. kuvvetine eşittir.

2

Verilen

\phi

değerinin işaretini analiz et.

-1 < \phi < 0

olduğu için

\phi

negatiftir.

Soruda parametrenin negatif bir değer aldığı belirtilmiştir.

3

Ardışık gecikmeler için işaret değişimini kontrol et.

k=1 \Rightarrow \rho_1 = \phi^1 < 0

,

k=2 \Rightarrow \rho_2 = \phi^2 > 0

,

k=3 \Rightarrow \rho_3 = \phi^3 < 0

Negatif bir sayının tek kuvvetleri negatif, çift kuvvetleri pozitiftir. Bu durum grafikte işaret değiştirerek (oscillating) sönümlenmeye yol açar.

Anahtar Kavram

AR(1)

modellerinde ACF davranışı parametrenin işaretine bağlıdır.

Daha Fazla Pratik

AR(1)

modelinde

\phi

parametresi tam olarak

1

veya

-1

olduğunda ACF'nin nasıl davranacağını araştırınız (birim kök durumu).

Tahmini Süre:1m 30s

Soru 51Soru →

Zaman serisi analizinde, bir değişkenin şimdiki değerinin ( $Y_t$ ); hem serinin bir dönem önceki kendi değeri ( $Y_{t-1}$ ) hem de bir dönem önceki hata terimi ( $\epsilon_{t-1}$ ) ile doğrusal bir fonksiyon olarak açıklandığı süreçler tanımlanmaktadır. Buna göre, bu özellikleri taşıyan en temel model aşağıdakilerden hangisidir?

Otoregresif Hareketli Ortalama Modeli [ARMA(1,1)]

Birinci Dereceden Otoregresif Model [AR(1)]

Birinci Dereceden Hareketli Ortalama Modeli [MA(1)]

Birinci Dereceden Bütünleşik Model [I(1)]

İkinci Dereceden Otoregresif Model [AR(2)]

Cevabı ve açıklamayı göster

Cevap: Otoregresif Hareketli Ortalama Modeli [ARMA(1,1)]

Cevap

Model hem bağımlı değişkenin gecikmeli değerini hem de hata teriminin gecikmeli değerini içerdiği için Otoregresif Hareketli Ortalama Modeli [ARMA(1,1)] olarak adlandırılır.

Doğru cevap olan model yapısı, tanım gereği hem serinin kendi geçmişine olan bağımlılığını (Otoregresif) hem de rastsal şokların (hata terimleri) geçmişine olan bağımlılığını (Hareketli Ortalama) aynı denklemde birleştirir. Soru kökündeki

Y_{t-1}

ifadesi AR(1) kısmını,

\epsilon_{t-1}

ifadesi ise MA(1) kısmını temsil etmektedir.

Adım Adım Çözüm

1

Değişken bağımlılıkları incelenir.

Serinin şimdiki değeri (

Y_t

), geçmiş değeri (

Y_{t-1}

) ile ilişkilidir.

Bu durum modelin Otoregresif (AR) bileşene sahip olduğunu gösterir.

2

Hata terimi yapısı incelenir.

Modelde geçmiş hata terimi (

\epsilon_{t-1}

) yer almaktadır.

Bu durum modelin Hareketli Ortalama (MA) bileşene sahip olduğunu gösterir.

3

Model türü sentezlenir.

AR ve MA bileşenlerinin birleşimi ARMA modelini oluşturur.

Her iki gecikme de birinci dereceden olduğu için model ARMA(1,1) yapısındadır.

Anahtar Kavram

ARMA modelleri, durağan zaman serilerinde AR ve MA bileşenlerini birleştiren karma modellerdir.

Tahmini Süre:45s

Soru 52Soru →

Bir zaman serisi süreci,

e_t

hata terimi (beyaz gürültü) ve

B

geri gecikme operatörü olmak üzere

(1 - 0,7B)Y_t = e_t

denklemi ile tanımlanmıştır. Bu serinin Otokorelasyon Fonksiyonu (ACF) ve Kısmi Otokorelasyon Fonksiyonu (PACF) grafiklerinin sergileyeceği davranışla ilgili olarak aşağıdakilerden hangisi doğrudur?

Kısmi Otokorelasyon Fonksiyonu (PACF) 1. gecikmede kesilir, Otokorelasyon Fonksiyonu (ACF) ise sönümlenir.

Otokorelasyon Fonksiyonu (ACF) 1. gecikmede kesilir, Kısmi Otokorelasyon Fonksiyonu (PACF) ise sönümlenir.

Her iki fonksiyon da (ACF ve PACF) 1. gecikmede aniden kesilerek sıfıra düşer.

Her iki fonksiyon da (ACF ve PACF) geometrik olarak azalarak sönümlenir.

Otokorelasyon Fonksiyonu (ACF) sönümlenir, Kısmi Otokorelasyon Fonksiyonu (PACF) ise 2. gecikmede kesilir.

Cevabı ve açıklamayı göster

Cevap: Kısmi Otokorelasyon Fonksiyonu (PACF) 1. gecikmede kesilir, Otokorelasyon Fonksiyonu (ACF) ise sönümlenir.

Cevap

Kısmi Otokorelasyon Fonksiyonu (PACF) 1. gecikmede kesilir, Otokorelasyon Fonksiyonu (ACF) ise sönümlenir.

Verilen model

(1 - 0,7B)Y_t = e_t

yapısı itibarıyla birinci dereceden bir otoregresif modeldir (

AR(1)

). Otoregresif modellerin en temel kimliklendirme özelliği, Kısmi Otokorelasyon Fonksiyonunun (PACF) model derecesinde (

p

) kesilmesi ve Otokorelasyon Fonksiyonunun (ACF) sönümlenmesidir. Bu modelde

p=1

olduğu için PACF 1. gecikmede kesilecek, ACF ise 0,7 katsayısına bağlı olarak üstel bir şekilde sıfıra doğru yaklaşacaktır.

Adım Adım Çözüm

1

Model tipini belirleme

Model birinci dereceden otoregresif modeldir (

AR(1)

).

(1 - 0,7B)Y_t = e_t

ifadesi

Y_t = 0,7Y_{t-1} + e_t

şeklinde yazılabilir, bu da

AR(1)

yapısıdır.

2

PACF davranışını analiz etme

PACF 1. gecikmede kesilir.

Otoregresif modellerde (

AR(p)

), Kısmi Otokorelasyon Fonksiyonu (PACF) modelin derecesi olan

p

gecikmesinden sonra sıfıra düşer.

3

ACF davranışını analiz etme

ACF üstel olarak sönümlenir.

Durağan

AR

modellerinde Otokorelasyon Fonksiyonu (ACF) aniden kesilmez, bunun yerine

\phi^k

hızında azalarak sönümlenir.

Anahtar Kavram

AR(p) modellerinde PACF derecesi kadar gecikmede kesilir, ACF ise sönümlenir.

Soru 53Soru →

Durağan bir zaman serisi analizi kapsamında, serinin şimdiki değerinin ( $Y_t$ ) geçmiş iki dönemi ve bir dönem önceki hata terimi ( $\epsilon_{t-1}$ ) ile olan ilişkisi aşağıdaki denklemle ifade edilmiştir:

Y_t = 15 + 0,55 Y_{t-1} - 0,30 Y_{t-2} + \epsilon_t + 0,45 \epsilon_{t-1}

Buna göre, söz konusu sürecin $ARMA(p, q)$ model dereceleri ( $p, q$ ) aşağıdakilerden hangisidir?

(p=2, q=1)

(p=1, q=2)

(p=2, q=2)

(p=1, q=1)

(p=0, q=1)

Cevabı ve açıklamayı göster

Cevap: $(p=2, q=1)$

Cevap

Sürecin model dereceleri

(p=2, q=1)

olarak belirlenmiştir.

Verilen denklemde

Y

değişkeninin geçmiş iki dönemine ait katsayılar (

Y_{t-1}

ve

Y_{t-2}

) bulunduğu için otoregresif derece

p=2

'dir. Hata teriminin ise sadece bir dönem önceki gecikmesi (

\epsilon_{t-1}

) bulunduğu için hareketli ortalama derecesi

q=1

'dir. Bu durum modeli

(p=2, q=1)

dereceli bir ARMA süreci yapar.

Adım Adım Çözüm

1

Otoregresif (AR) bileşenlerin sayısını belirleme

p = 2

Denklemde serinin geçmiş değerlerini temsil eden

Y_{t-1}

ve

Y_{t-2}

terimleri bulunmaktadır. En yüksek gecikme derecesi

2

olduğu için

p=2

olur.

2

Hareketli ortalama (MA) bileşenlerin sayısını belirleme

q = 1

Denklemde geçmiş hata terimlerini temsil eden sadece

\epsilon_{t-1}

terimi bulunmaktadır. En yüksek gecikme derecesi

1

olduğu için

q=1

olur.

3

Model yapısını birleştirme

ARMA(2, 1)

Belirlenen

p

ve

q

değerleri

ARMA(p, q)

genel formunda yerine yazıldığında sonuç elde edilir.

Anahtar Kavram

ARMA modellerinde derece belirleme (

p

ve

q

indisleri)

Daha Fazla Pratik

ARMA modellerinde durağanlık şartının sadece AR parametrelerine, tersinirlik şartının ise sadece MA parametrelerine bağlı olduğunu hatırlayınız.

Tahmini Süre:45s

Soru 54Soru →

Durağan bir zaman serisi analizinde; serinin şimdiki değerinin ( $Y_t$ ), hem serinin kendi geçmiş $p$ adet gecikmeli değerlerine hem de beyaz gürültü hata teriminin geçmiş $q$ adet gecikmeli değerlerine bağlı olarak ifade edildiği genel model yapısı aşağıdakilerden hangisidir?

ARIMA(p, d, q)

MA(q)

ARMA(p, q)

AR(p)

GARCH(p, q)

Cevabı ve açıklamayı göster

Cevap: ARMA(p, q)

Cevap

Durağan bir zaman serisinin hem kendi geçmiş değerlerine hem de hata teriminin geçmiş değerlerine bağlı olduğu yapı ARMA(p, q) modelidir.

ARMA(p, q) modeli, 'Autoregresive' (Otoregresif) kelimesinden gelen AR bileşeni ile serinin kendi geçmişini ve 'Moving Average' (Hareketli Ortalama) kelimesinden gelen MA bileşeni ile geçmiş hataları aynı anda modelleyen yapıdır. Durağan bir seri için bu iki etkinin birleşimi p ve q dereceleriyle tanımlanır.

Adım Adım Çözüm

1

Otoregresif bileşeni belirleme

AR(p)

Serinin şimdiki değerinin (

Y_t

), kendi geçmiş

p

adet değerine (

Y_{t-1}, ..., Y_{t-p}

) bağımlı olması 'Otoregresif' (Self-regressive) yapıyı ifade eder.

2

Hareketli ortalama bileşenini belirleme

MA(q)

Serinin şimdiki değerinin (

Y_t

), beyaz gürültü hata teriminin geçmiş

q

adet değerine (

\epsilon_{t-1}, ..., \epsilon_{t-q}

) bağımlı olması 'Hareketli Ortalama' (Moving Average) yapısını ifade eder.

3

Modelleri birleştirme

ARMA(p, q)

Durağanlık varsayımı altında, her iki bileşenin aynı denklemde yer aldığı birleşik yapı Autoregressive Moving Average (ARMA) olarak adlandırılır.

Anahtar Kavram

ARMA modelleri, durağan süreçleri modellemek için AR ve MA bileşenlerini bir araya getiren en temel ve genel doğrusal modellerdir.

Soru 55Soru →

İstatistiksel zaman serisi analizinde,

\epsilon_t

beyaz gürültü (white noise) terimini ve

L

gecikme operatörünü ifade etmektedir.

(1 - 0,4L)Y_t = \epsilon_t

model yapısına sahip olan bu süreç hakkında aşağıdakilerden hangisi söylenebilir?

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

Süreç durağan değildir çünkü katsayı pozitif bir değerdir.

Otokorelasyon fonksiyonu (ACF) birinci gecikmeden sonra sıfıra düşerek kesilir.

Modelin durağan sayılabilmesi için tersinirlik (invertibility) koşulunu sağlaması gerekir.

Kısmi otokorelasyon fonksiyonu (PACF) gecikme sayısı arttıkça üstel olarak sönümlenir.

Cevabı ve açıklamayı göster

Cevap: Süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) birinci gecikmeden sonra kesilir.

Cevap

Verilen süreç durağandır ve kısmi otokorelasyon fonksiyonu (PACF) birinci gecikmeden sonra kesilme (cutoff) özelliği gösterir.

Verilen

(1 - 0,4L)Y_t = \epsilon_t

denklemi,

\phi = 0,4

olan bir AR(1) sürecini tanımlar. Bu süreçte

|\phi| = 0,4 < 1

olduğu için durağanlık koşulu sağlanır. Ayrıca, otoregresif modellerde kısmi otokorelasyon fonksiyonu (PACF) modelin derecesi olan

p

gecikmesinden sonra kesilerek sıfır değerini alır; bu durumda PACF 1. gecikmeden sonra kesilmektedir.

Adım Adım Çözüm

1

Model tipini belirleme

Model

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

şeklinde yazılabilen bir AR(1) sürecidir.

Denklemdeki

L

operatörü

LY_t = Y_{t-1}

anlamına gelir.

2

Durağanlık kontrolü yapma

|0,4| < 1

olduğu için süreç zayıf durağandır.

Birinci dereceden otoregresif modellerde durağanlık koşulu

\phi

katsayısının mutlak değerce 1'den küçük olmasıdır.

3

ACF ve PACF karakteristiklerini analiz etme

PACF 1. gecikmede

\phi

değerini alır ve sonraki gecikmelerde sıfıra düşer. ACF ise üstel sönümlenir.

AR(p) süreçlerinde PACF,

p

derecesinden sonra kesilme özelliği gösterir.

Anahtar Kavram

Otoregresif (AR) modellerde durağanlık koşulu ve PACF kesilme özelliği.

Tahmini Süre:45s

Soru 56Soru →

\epsilon_t

beyaz gürültü (white noise) terimini ve

L

gecikme operatörünü göstermek üzere,

(1 - 0,25L)Y_t = \epsilon_t

şeklinde tanımlanan zaman serisi modelinin kısmi otokorelasyon fonksiyonu (PACF) ile ilgili aşağıdakilerden hangisi doğrudur?

Birinci gecikmeden sonra sıfıra kesilir.

Üstel olarak azalarak sönümlenir.

İkinci gecikmeden sonra sıfıra kesilir.

Tüm gecikmelerde sıfır değerini alır.

Sinüzoidal bir dalgalanma göstererek sönümlenir.

Cevabı ve açıklamayı göster

Cevap: Birinci gecikmeden sonra sıfıra kesilir.

Cevap

Birinci dereceden otoregresif AR(1) modellerinde kısmi otokorelasyon fonksiyonu (PACF), model derecesi olan 1. gecikmeden sonra sıfıra kesilir.

Verilen

(1 - 0,25L)Y_t = \epsilon_t

denklemi, birinci dereceden bir otoregresif (AR(1)) süreci temsil etmektedir. Otoregresif modellerin karakteristik özelliği, kısmi otokorelasyon fonksiyonunun (PACF) modelin derecesinden (

p

) sonraki gecikmelerde sıfıra kesilmesidir. Bu nedenle, AR(1) modeli için PACF birinci gecikmeden sonra sıfıra kesilir.

Adım Adım Çözüm

1

Model denklemini açık formda yazarak derecesini belirlemek.

Y_t = 0,25 Y_{t-1} + \epsilon_t

denklemi, modelin AR(1) süreci olduğunu gösterir.

Gecikme operatörü

L

kullanılarak yazılan

(1 - \phi L)Y_t = \epsilon_t

formu standart AR(1) gösterimidir.

2

AR modelleri için PACF'nin teorik davranışını hatırlamak.

AR(

p

) süreçleri için PACF,

p

. gecikmeden sonra sıfıra kesilir.

PACF, otoregresif süreçlerde model derecesini (p) belirlemek için kullanılan temel araçtır.

3

Model derecesini PACF özelliğine uygulamak.

Model AR(1) olduğu için (

p=1

), PACF birinci gecikmeden sonra (

k > 1

) sıfır değerini alır.

Birinci gecikmeden sonraki tüm kısmi otokorelasyonlar teorik olarak sıfırdır.

Anahtar Kavram

Otoregresif Modellerde PACF Kesilmesi

Alternatif Yöntem

Modelin derecesini belirlemek için

Y_t

değişkeninin en yüksek gecikmesine bakılır. Burada

Y_{t-1}

olduğu için model 1. derecedir ve PACF 1. gecikmeden sonra kesilir.

Tahmini Süre:45s

Soru 57Soru →

Zaman serisi analizinde model kimliklendirme (belirleme) sürecinde, durağan bir serinin kısmi otokorelasyon fonksiyonu ( $PACF$ ) katsayıları incelenmiştir. Yapılan inceleme sonucunda sadece ilk gecikme değerinin ( $\phi_{11}$ ) istatistiksel olarak anlamlı olduğu, 1. gecikmeden sonraki tüm katsayıların ise sıfıra düştüğü (kesildiği) gözlemlenmiştir. Bu bulgu, söz konusu zaman serisinin aşağıdaki modellerden hangisi ile temsil edilmesinin en uygun olduğunu gösterir?

AR(1)

MA(1)

AR(2)

MA(2)

ARMA(1,1)

Cevabı ve açıklamayı göster

Cevap: $AR(1)$

Cevap

AR(1)

modeli

Zaman serisi analizinde kısmi otokorelasyon fonksiyonunun (

PACF

) en temel özelliği, otoregresif (

AR

) süreçlerin derecesini belirleyebilmesidir. Durağan bir

AR(p)

sürecinde,

p

gecikmesinden büyük olan tüm kısmi otokorelasyon katsayıları sıfırdır. Soruda 1. gecikmeden sonraki katsayıların sıfıra düştüğü belirtildiği için bu davranış tipik bir

AR(1)

sürecini tanımlar.

Adım Adım Çözüm

1

PACF

fonksiyonunun teorik davranışını hatırla.

Otoregresif (

AR(p)

) modellerde

PACF

katsayıları

p

gecikmesinden sonra sıfıra düşer (kesilir).

PACF

, serideki aracı gecikmelerin etkisini temizleyerek doğrudan ilişkiyi ölçtüğü için

AR

modellerinde dereceden sonraki değerler anlamsızlaşır.

2

Verilen bilgideki kesilme noktasını tespit et.

Soruda kesilmenin 1. gecikmeden sonra (

\phi_{11}

'den sonra) gerçekleştiği ifade edilmiştir.

Bu durum

p=1

olduğunu gösterir.

3

Modeli belirle.

AR(1)

modeli en uygun seçenektir.

Teorik beklenti ile gözlemlenen

PACF

yapısı tam uyum sağlamaktadır.

Anahtar Kavram

PACF

fonksiyonunun

AR

modellerindeki kesilme (cut-off) özelliği.

Soru 58Soru →

Zaman serisi analizinde $\epsilon_t \sim WN(0, \sigma^2)$ beyaz gürültü sürecini ve $B$ gecikme operatörünü (backshift operator) temsil etmektedir.

X_t = (1 - 0,25B)\epsilon_t

şeklinde tanımlanan modelle ilgili olarak aşağıdakilerden hangisi doğrudur?

Süreç durağanlık şartını sağlar fakat tersinirlik şartını sağlamaz.

Süreç durağanlık ve tersinirlik özelliklerinin her ikisine de sahiptir.

Süreç tersinirlik şartını sağlar fakat durağanlık şartını sağlamaz.

Sürecin tersinir olabilmesi için katsayısının mutlak değeri 1'den büyük olmalıdır.

Süreç birim kök içerdiği için durağan değildir.

Cevabı ve açıklamayı göster

Cevap: Süreç durağanlık ve tersinirlik özelliklerinin her ikisine de sahiptir.

Cevap

Süreç durağanlık ve tersinirlik özelliklerinin her ikisine de sahiptir.

Verilen model bir MA(1) sürecidir. Hareketli ortalama süreçleri yapıları gereği durağandır. Tersinirlik için ise katsayının mutlak değerinin 1'den küçük olması gerekir. Burada katsayı -0,25 olup mutlak değeri 1'den küçük olduğu için model hem durağan hem de tersinirdir.

Adım Adım Çözüm

1

Modelin türünü ve parametrelerini belirleyin.

Verilen model

X_t = \epsilon_t - 0,25\epsilon_{t-1}

formunda bir 1. dereceden hareketli ortalama MA(1) sürecidir ve

\theta = -0,25

katsayısına sahiptir.

Analiz yapmak için öncelikle modelin derecesini ve katsayılarını tanımlamak gerekir.

2

Durağanlık (stationarity) durumunu kontrol edin.

MA(q) süreçleri, katsayıları ne olursa olsun her zaman zayıf durağandır (finite variance and constant mean).

Hareketli ortalama süreçlerinin tanımı gereği durağanlık için ek bir parametre kısıtı gerekmez.

3

Tersinirlik (invertibility) koşulunu inceleyin.

MA(1) için tersinirlik koşulu

|\theta| < 1

olmasıdır. Burada

|-0,25| = 0,25 < 1

olduğundan koşul sağlanır.

Bir MA sürecinin ağırlıklı geçmiş gözlemler cinsinden (sonsuz AR süreci) yazılabilmesi için bu kısıt gereklidir.

Anahtar Kavram

MA(1) Süreçlerinde Durağanlık ve Tersinirlik Analizi

Tahmini Süre:45s

Soru 59Soru →

$\epsilon_t$ süreci sıfır beklenen değerli ve sabit varyanslı bir beyaz gürültü (white noise) süreci olmak üzere, birinci dereceden hareketli ortalama modeli MA(1) aşağıdaki gibi tanımlanmıştır:

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

Bu modelin durağanlık (stationarity) ve tersinirlik (invertibility) özellikleri ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

Hareketli ortalama modelleri, parametre değerlerine bakılmaksızın her zaman durağandır.

Modelin durağan olabilmesi için

\theta

parametresinin mutlak değerce 1'den küçük (

|\theta| < 1

) olması gerekir.

Modelin otokorelasyon fonksiyonu (ACF), gecikme sayısı arttıkça üstel olarak sıfıra yaklaşır.

Modelin tersinir (invertible) olması için herhangi bir parametre kısıtı bulunmamaktadır.

Kısmi otokorelasyon fonksiyonu (PACF), birinci gecikmeden sonra aniden kesilir.

Cevabı ve açıklamayı göster

Cevap: Hareketli ortalama modelleri, parametre değerlerine bakılmaksızın her zaman durağandır.

Cevap

Hareketli ortalama modelleri, parametre değerlerine bakılmaksızın her zaman durağandır.

Hareketli ortalama (MA) modelleri, doğası gereği beyaz gürültü terimlerinin sonlu bir ağırlıklı toplamıdır. Bu yapı, sürecin ortalamasının ve varyansının zamandan bağımsız (sabit) kalmasını garanti eder. Dolayısıyla, parametre değeri ne olursa olsun MA süreçleri her zaman durağandır.

Adım Adım Çözüm

1

MA(1) modelinin durağanlık özelliğini incele.

Durağanlık için beklenen değerin ve varyansın zamandan bağımsız olması gerekir.

Beyaz gürültü serilerinin sonlu toplamı olan MA süreçlerinde bu şart her zaman sağlanır.

2

Tersinirlik (invertibility) koşulunu değerlendir.

Modelin AR(∞) formunda yazılabilmesi için

|\theta| < 1

olmalıdır.

MA modelleri her zaman durağandır ancak her zaman tersinir değildir.

3

ACF ve PACF davranışlarını belirle.

ACF 1. gecikmede kesilir, PACF ise sönümlenir.

Bu, MA(q) modellerinin karakteristik kimliklendirme özelliğidir.

Anahtar Kavram

MA Modellerinde Durağanlık ve Tersinirlik

İpuçları

1

MA modellerinin tanımındaki beyaz gürültü terimlerinin sayısının sonlu olup olmadığını düşünün.

Tahmini Süre:45s

Soru 60Soru →

Zaman serisi analizinde, bir stokastik sürecin zayıf durağan (kovaryans durağan) olarak kabul edilebilmesi için serinin istatistiksel özelliklerinin zaman boyunca belirli şartları sağlaması gerekmektedir. Buna göre, aşağıdakilerden hangisi bir sürecin zayıf durağan olması için gereken temel koşullardan biridir?

Serinin varyansının zaman boyunca sabit ve sonlu olması

Sürecin tüm ortak olasılık dağılımlarının zaman kaymalarından tamamen bağımsız olması

AR(1) katsayısının mutlak değerce 1'e eşit veya 1'den büyük olması

Model parametrelerinin tersinirlik (invertibility) kısıtlarını sağlaması

Serinin ortalamasının zamanın deterministik bir fonksiyonu olarak değişmesi

Cevabı ve açıklamayı göster

Cevap: Serinin varyansının zaman boyunca sabit ve sonlu olması

Cevap

Zayıf durağanlık için serinin varyansının zaman boyunca sabit ve sonlu olması gerekmektedir.

Zayıf durağan bir süreçte, varyansın her

t

anı için sabit (

\sigma^2 < \infty

) kalması temel bir aksiyomdur. Bu, serinin zaman içinde sonsuza doğru sapmamasını sağlar.

Adım Adım Çözüm

1

Zayıf durağanlık (kovaryans durağanlığı) tanımını gözden geçirin.

Bir sürecin zayıf durağan olması için: 1) Ortalamanın sabit olması, 2) Varyansın sabit ve sonlu olması, 3) Otokovaryansın zamana değil sadece gecikmeye (lag) bağlı olması gerekir.

Zaman serisi analizinde modellerin geçerli öngörüler yapabilmesi için istatistiksel momentlerin zamandan bağımsız olması şarttır.

2

Seçenekleri bu üç temel koşul ile karşılaştırın.

Varyansın sabit ve sonlu olması şartı doğrudan zayıf durağanlık koşullarından biri olarak belirtilmiştir.

Diğer seçenekler ya kesin durağanlık tanımıyla (dağılımın aynılığı) ya da durağan olmayan durumlarla (trend veya birim kök) ilgilidir.

Anahtar Kavram

Zayıf Durağanlık Koşulları

Daha Fazla Pratik

Bir serinin ortalamasının zamanla değiştiği 'trend durağanlık' (trend stationary) kavramını inceleyebilirsiniz.

Tahmini Süre:45s

Durağan Zaman Serisi Modelleri

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Alternatif Yöntem

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Alternatif Yöntem

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

İpuçları

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

İpuçları

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Daha Fazla Pratik

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Cevap

Adım Adım Çözüm

Anahtar Kavram

Sık Yapılan Hatalar

Alternatif Yöntem

Cevap

Adım Adım Çözüm