Dağıtılmış Gecikme Modeli

... konulu sunumlar: "Dağıtılmış Gecikme Modeli"— Sunum transkripti:

1 DEĞİŞKENLER ARASINDAKİ GECİKMELİ İLİŞKİLER: Dağıtılmış Gecikme ve Otoregresiv Modeller

2 Dağıtılmış Gecikme Modeli
Zaman serisi modellerinde, bağımlı değişken Y’nin t zamanındaki değerleri, bağımsız X değişkenlerinin t zamanındaki cari değerleri Xt, daha önceki dönemlerdeki gecikmeli değerleri Xt-1, Xt-2, ……. ye bağlı olabilir. Dağıtılmış Gecikme Modeli

3 Otoregresiv Model (Dinamik Model)
Bağımlı değişkeninin (Y) geçmiş dönemlere (genellikle geçmiş yıllara) ait değerleri Yt-1, Yt-2, … yi içeriyorsa Otoregresiv Model (Dinamik Model)

4 Statik Model Yt = b0 + b1Xt + ut, (t=1,2,…,n.) “Statik Model”, Y ve X arasında aynı dönemde yani t döneminde ortaya çıkan ilişkiden gelmektedir. “Statik Model”, t zamanında X’te meydana gelen değişikliğin yine aynı dönemde Y’de meydana getireceği etkiyi ortaya koymaktadır. DYt = b1 DXt

5 Gecikme Kavramı Bağımlı değişkeninin (Y) t zamanındaki değeri, bağımsız değişkenlerin geçmiş zaman dilimlerindeki (t-1,t-2,…gibi) değeri ile tayin edilebilir. Y değişkeni, X’e belli bir zaman boşluğundan sonra cevap verdiğinde bu zaman boşluğuna GECİKME, ilgili modele de gecikmeli ilişki denmektedir.

6 Örnek: Tüketim Fonksiyonu
Bir kişiye 1991’de 16 milyar çıksın (Y:tüketim X: Gelir) Eski yaşam tarzından yeni yaşam tarzına geçiş için bir boşluk vardır. Kişi gelir artışının tamamını hemen o yıl harcamaz, belli bir zaman sonra bu paranın tamamını harcamış olur. ½=0.5 İlk yılda 16 milyarın yarısı İkinci yılda 6/16=0.375 Üçüncü yılda 2/16=0.125

7 Dağıtılmış gecikmeli tüketim fonksiyon:
16 milyar üç döneme yayılır. Bu fonksiyona genel olarak dağıtılmış gecikme modelleri denir. Bir sebebin(gelir artışının) tüketime (Y) etkisi belli döneme (3 yıl) dağılmaktadır.

8 Sonlu Dağıtılmış Gecikme Modelleri
Yt = a + b0Xt + b1Xt-1 + b2Xt-2 + ut, (t=1,2,…,n.) Genel Model; Yt = a + b0Xt + b1Xt-1 + b2Xt-2 + … + bkXt-k +ut, (t=1,2,…,n.) k-gecikmeli sonlu dağıtılmış gecikme modeli b0 Kısa dönem yada etki çarpanı b0+ b1 b0+ b1+ b2    b0+ b1+ b2 +…+ bk-1 Ara dönem çarpanları Sbi=b0+ b1+ b2 +…+ bk  Uzun dönem çarpanı ( ya da toplam veya dağıtılmış gecikme)  “standartlaştırılmış bi”

9 Uzun dönemde gelirdeki bir birimlik artış tüketimi bir birim arttırmaktadır. Yani tüketici uzun dönemde hiç tasarruf yapmamakta gelirdeki artışların tamamını tüketmektedir.

10 Gecikmenin Nedenleri Psikolojik nedenler Teknolojik nedenler
Kurumsal nedenler

11 DAĞITILMIŞ GECİKME MODELLERİNİN DOĞRUDAN BASİT EKKY İLE TAHMİNİ
Sınırsız Gecikmeli Model Sonlu (Sınırlı) Gecikmeli Model

12 DAĞITILMIŞ GECİKME MODELLERİNİN DOĞRUDAN BASİT EKKY İLE TAHMİNİ
EKKY İLE TAHMİNLENEBİLİR.

13 EKKY Uygulamanın Sakıncaları:
Gecikme sayısı k’nın maksimum değerinin önceden belli olmamasıdır. Birbirini takip eden gecikmelerin sayısının çok olması ve gözlem sayısının az olması halinde serbestlik derecesinin küçülüp, istatistiksel test ve güven aralıklarının sağlıksız olması Xt-1, Xt-2, Xt-3,… gecikmeleri arasında çoklu doğrusal bağlantı probleminin ortaya çıkmasıdır.

14 Dağıtılmış Gecikme Modelleri için Yöntemler
Almon Polinomial Gecikme Modeli Koyck Modeli Cagan’ın Uyumcu Beklenti Modeli Nerlove Kısmi İyileştirme Modeli

15 Almon Polinomial Gecikme Modeli
Almon, bi bilinmeyen parametrelerinin zamanla ikinci veya üçüncü derece eğrisi şeklinde değiştiğini varsayarak dağıtılmış gecikme modellerini tahmin etmiştir. Yt = a + b0Xt + b1Xt-1 + b2Xt-2 + … + bkXt-k +ut, (t=1,2,…,n.) (i=1,2,…,k.) Almon bi’nin i gecikme uzunluğunun uygun dereceden bir polinom şeklinde ifade edileceğini varsayar.

16 Polinomial gecikme yapı
bi = a0 + a1i + a2i2 bi = a0 + a1i + a2i2 + a3i3 bi i 1 2 3 7 bi i 1 2 3 7 * * * * * * * * * * * * * * * * * * * * * * * * * * * * bi = a0 + a1i + a2i2 bi = a0 + a1i + a2i2 bi = a0 + a1i + a2i2 + a3i3 bi = a0 + a1i + a2i2 + a3i3 Polinomial gecikme yapı

17 Genel olarak r’inci dereceden bir polinomial gecikme şöyle yazılabilir:
bi = a0 + a1i + a2i2 + a3i3 + … + air Polinomun derecesi < Gecikme sayısı (r k)

18 Almon Polinomial Modeli Tahmin Aşamaları:
1.Adım: b’ler için belli bir polinom derecesi r ve uygun bir gecikme sayısı k seçilir. 2.Adım: r’nin derecesine göre polinom bi denkleminde yerine konur. Örneğin b’lerin ikinci dereceden parabol gecikmeli olduğunu farz edersek:

19 Almon Polinomial Gecikme Modeli
bi = a0 + a1i + a2i2 Z0t Z1t Z2t

20 Örnek: Tüketim fonksiyonunda cari tüketimin (Yt), geçmiş tüketim seviyeleri Yt-1, Yt-2,… ; cari gelir Xt ve geçmiş gelir seviyeleri (Xt-1, Xt-2,…)’ne bağlıdır. dönemi tüketim (Yt) ve gelir (Xt) verilerini kullanarak Almon tekniği ile dağıtılmış gecikme modelini tahmin ediniz.

21 Almon Polinomial Gecikme Modeli
Yıl Yt Yt-1 Yt-2 Xt Xt-1 It=Xt-Yt 1976 2 - 3 3-2=1 1977 4 4-3=1 1978 5 1 1979 6 7 1980 11 1981 8 12 1982 10 15 1983 13 18 1984 14 22 1985 16 26 1986 19 29 1987 20 32 1988 21 35 1989 23 42 1990 25 50

22 Almon Polinomial Gecikme Modeli
Yıl Yt Yt-1 Yt-2 Xt Xt-1 It=Xt-Yt 1976 2 - 3 3-2=1 1977 4 4-3=1 1978 5 1 1979 6 7 1980 11 1981 8 12 1982 10 15 1983 13 18 1984 14 22 1985 16 26 1986 19 29 1987 20 32 1988 21 35 1989 23 42 1990 25 50

23 Almon Polinomial Gecikme Modeli Almon Polinomial Gecikme Modeli
Yıl Yt Yt-1 Yt-2 Xt Xt-1 It=Xt-Yt 1976 2 - 3 3-2=1 1977 4 4-3=1 1978 5 1 1979 6 7 1980 11 1981 8 12 1982 10 15 1983 13 18 1984 14 22 1985 16 26 1986 19 29 1987 20 32 1988 21 35 1989 23 42 1990 25 50

24 Almon Polinomial Gecikme Modeli
Yıl Yt Yt-1 Yt-2 Xt Xt-1 It=Xt-Yt 1976 2 - 3 3-2=1 1977 4 4-3=1 1978 5 1 1979 6 7 1980 11 1981 8 12 1982 10 15 1983 13 18 1984 14 22 1985 16 26 1986 19 29 1987 20 32 1988 21 35 1989 23 42 1990 25 50

25 Almon Polinomial Gecikme Modeli
Yıl Yt Yt-1 Yt-2 Xt Xt-1 Xt-2 It=Xt-Yt 1976 2 - 3 3-2=1 1977 4 4-3=1 1978 5 1 1979 6 7 1980 11 1981 8 12 1982 10 15 1983 13 18 1984 14 22 1985 16 26 1986 19 29 1987 20 32 1988 21 35 1989 23 42 1990 25 50

26 Almon Polinomial Gecikme Modeli
Almon Polinomial Modeli Tahmin Aşamaları: 1.Adım: tüketim cari t yılı ve ondan sonraki b’ler için belli bir gecikme sayısı r seçilir. 2.Adım: r’nin derecesine göre polinom denkleminde yerine konur.

27 Almon Polinomial Gecikme Modeli

28 Almon Polinomial Gecikme Modeli
Yıl Yt Xt Z0t Z1t Z2t 1976 2 3 - 1977 4 1978 5 12 10 16 1979 6 7 13 21 1980 11 23 17 27 1981 8 30 25 39 1982 15 38 34 56 1983 18 45 63 1984 14 22 55 48 78 1985 26 66 58 94 1986 19 29 77 70 114 1987 20 32 87 81 133 1988 35 96 90 148 1989 42 109 99 163 1990 50 127 112 182 Z0t=Xt+Xt-1+Xt = 5+4+3=12 Z1t=Xt-1+2Xt =11+2(7)=25

29 Almon Polinomial Gecikme Modeli
Dependent Variable: Y Method: Least Squares Included observations: 13 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C Z Z Z R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) a0 a1 a2 bi = a0 + a1i + a2i2

30 Almon Polinomial Gecikme Modeli
Orijinal bi katsayılarının tahmini için; Y= Z Z Z2 a0 a1 a2 bi = a0 + a1i + a2i2

31 Almon Polinomial Gecikme Modeli
Orijinal Dağıtılmış Gecikme Modeli;

32 Koyck Modeli  parametrelerine sınırlama koyan tekniklerden biri de Koyck tekniğidir. Koyck, sonsuz sayıda gecikme modelindeki  gecikme katsayılarının geometrik bir dizi şeklinde azaldığını kabul ederek gecikmeli modelini oluşturmuştur. Koyck bi’lerin geometrik olarak azaldığını varsayar: bk = b0lk, k=0,1,…. = Geometrik Gecikmeli Katsayılar l: Dağıtılmış gecikmenin azalma oranı < l < 1 1-l: uyum hızı yada intibak hızı

33 Koyck Model Dağıtılmış gecikme modeli Koyck Modeli varsayımı ile şu şekilde yazılabilir: k=0 ,1 ve 2 değerleri verilerek aşağıdaki sonuçlar elde edilir. bk = b0lk, modelinde b lar yerine eşitleri konursa Koyck modeli elde edilir.

34 Koyck Model Koyck Model Dönüşümü
Koyck modeli tekrar yazılır. (1) No lu model bir dönem geciktirilerek yazılır: (2) no lu modelin her iki tarafı  ile çarpılır: (1 ) no lu model (3) no lu modelden çıkarılır:

35 Koyck Model

36 Koyck Model Koyck Modelinin Özellikleri:
Koyck dönüşümü ile otoregresiv model tahmin edilmektedir. Koyck modelinin çözümü kolay olmakla beraber önemli bir sakıncası vardır: Yt-1 bağımsız değişkeni stokastiktir, halbuki EKKY varsayımlarından biri de bağımsız değişkenin stokastik olmamasıdır. Dönüşümlü Koyck modelinin ikinci sakınca da; vt hata teriminin otokorelasyonlu olmasıdır.

37 Koyck Model Koyck Modelinin Özellikleri:
(5) nolu otoregresiv modelinde Yt-1 değişkeninin varlığı Durbin-Watson d otokorelasyon testinin yapılmasını önlediğinden otokorelasyon için ayrı bir test olan Durbin’s h testi uygulanmaktadır. Koyck Modelinde ortalama gecikmesi = l/(1-l) Koyck model: Medyan Gecikme= -log2/logl Medyan Gecikme, X’deki bir birimlik değişmenin Y’de yapacağı toplam değişmenin yarısının kaç dönem sonra gerçekleşeceğini göstermektedir.

38 Using Econometrics, A.H.Studenmund, p.415-416
COt = f(YDt, YDt-1, YDt-2, etc.) + ut COt = a0 + b0YDt + lCOt-1+ ut Yukarıdaki denklemlerden birincisi dağıtılmış gecikmeli model, ikincisi dönüşümlü Koyck modelidir. Buna göre aşağıda verilen dönüşümlü Koyck modelinden hareketle dağıtılmış gecikme modelini tahmin ediniz. Aşağıdaki eşitlik yalnızca toplam tüketim fonksiyonuna uymanın yanında Milton Frieadman tarafından önerilen daimi gelir hipotezidir. COt = YDt COt-1 tc Düz-R2=0.998

39 COt = a0 + b0YDt + lCOt-1+ ut COt = YDt COt-1 tc Düz-R2=0.998 COt = a + b0YDt + b1YDt-1 + b2YDt-2 + … + bkYDt-k a0 = a (1-l) -38.11= a ( ) a = bk = b0lk k=0 b0= 0.52 ; l= 0.46 k=1 b1 = b0l1 = (0.52)(0.46)1 = 0.24 k=2 b2 = b0l2 = (0.52)(0.46)2 = 0.11 COt = YDt YDt YDt YDt-3 + …

40 Koyck Model PPCEt = -841.86 + 0.71 PDPIt + 0.2954 PPCEt-1
R2= d=1.014 PPCE: kişi başına tüketim harcaması PDPI: kişi başına gelir Yukarıda verilen dönüşümlü Koyck modelinden hareketle uyum hızını elde ediniz.

41 Koyck Model PPCEt = -841.86 + 0.71 PDPIt + 0.2954 PPCEt-1
Ortalama gecikme;Y’nin X’e bağlılığının zaman içindeki hızını verir. Koyck modelinde ortalama gecikme = l/(1-l) = / ( ) =0.4192 1yıl 12 ay yıl x Kişi başına tüketim harcamasındaki değişmenin %30’u yaklaşık 5 ay içerisinde meydana gelmektedir.

42 CAGAN’IN Uyumcu Beklenti Modeli
Yt = b0 + b1 Xt* + ut Bağımlı değişken Yt sadece X bağımsız değişkeninin gerçekleşen değerlerine değil, t dönemindeki beklenen değerleri Xt* a bağlıdır. 1, X* deki bir birimlik değişmenin Y’de meydana getireceği ortalama etkiyi ölçer. UBM ile ekonometrik modellerde gelecekteki beklentiler dikkate alınabilir.

43 Uyumcu beklenti modelinin elde edilişi:
Beklenti değişkenleri Xt* lar doğrudan gözlenemediğinden, bu değişken hakkındaki beklentiler için varsayım şu şekilde yapılmaktadır: Uyumcu beklenti ( 0  g  1) Bugünün beklentisindeki değişme Bu varsayımla gerçekleşen veya beklenen fiyatlar, gerçekleşen ve beklenen gelirler arasındaki fark bir uyum işlemi ile kapatılmaya çalışılmaktadır. Burada Yt = Bir maldan talep edilen miktar Xt*= Beklenen fiyat seviyesi

44 CAGAN’IN Uyumcu Beklenti Modeli
Bugünün beklentileri Xt*, kısmen eski beklentiler Xt-1*, kısmen de bugünkü değer Xt’nin ışığında belirlenir. g: beklenti katsayısı g =0 g =1 Beklenen fiyatlar ile geçmiş yılların beklenen fiyatları veya gelirleri aynı kalmakta, değişmemektedir. Beklentiler % 100 gerçekleşmiştir.

45 CAGAN’IN Uyumcu Beklenti Modeli
(2) Nolu eşitlik (1) nolu modelde X*t de yerine konursa Yt = b0 + b1 Xt* + ut (1) elde edilir.

46 CAGAN’IN Uyumcu Beklenti Modeli
Yt = b0 + b1 Xt* + ut (1) (1) No lu model önce bir dönem geciktirilip daha sonra da her iki tarafı (1-g) ile çarpılır; şeklinde düzenlenir.

47 CAGAN’IN Uyumcu Beklenti Modeli
(3) nolu modelden (4) nolu model çıkarılırsa; -

48 Kısa Dönem Modeli Yt = b0 + b1 Xt* + ut (1) (5 nolu modeldeki)
β1 (uyumcu beklenti modeli); X’ deki bir birimlik değişmenin Y’de meydana getireceği ortalama etkiyi ölçer. (kısa dönem modeli) Yt = b0 + b1 Xt* + ut (1) 1 ve 5 numaralı model karşılaştırılır: (1 nolu modeldeki) β1; uzun dönem etkiyi göstermektedir.

49 Uyumcu Beklenti Modelinin Özellikleri:
Beklenti modeli otoregresiv bir modeldir yani Yt-1 bağımsız değişkenini içermektedir. Cagan’ın beklenti modelinin hata terimi vt otokorelasyonludur.

50 Uygulama: dönemi dört aylık verilere dayanarak ABD için Ct = a1 + a2Xt + a3Ct-1 + ut modeli aşağıdaki gibi tahmin edilmiştir. Ct : Toplam Tüketim Xt : Toplam Gelir ilişkisinden yola çıkarak elde edilen kısa dönem modelinden uzun dönem modelini elde ediniz.

51 a2 = gb2 a3 =(1-g) a3 =(1-g)= (1-g)= g = a2:kısa dönem etki a2=0.2959 b2:Uzun dönem etki b2=0.91

52 a2 ; kısa dönem etki=0.30 b2; uzun dönem etki=0.91 Cari veya gözlenen gelirdeki bir birimlik artış tüketimi yaklaşık 0.30 birim arttırırken; gelirdeki bu artış devam ettiğinde tüketimi 0.91 birim arttırır.

53 Kısmi İyileştirme Modeli
Kısmi iyileştirme modelinde Y bağımlı değişkeninin istenen bir seviyesi Yt* alınarak, doğrusal ilişkisi araştırılmaktadır. Y’nin gözlenen değerleri Yt yerine istenen değerleri Yt*’lar alınarak, t dönemindeki gözlenen Xt’ye dayandırılmaktadır. Yt* doğrudan gözlenememektedir.

54 Nerlove’ın kısmi iyileştirme hipotezi
( 0  d  1) d:iyileştirme katsayısı Son yıldaki gerçekleşen değişme Son yıldaki istenen değişme (artış veya azalış) (2) No lu modelde Yt yalnız bırakılırsa;

55 (3) nolu eşitlik (1) nolu modelde yerine konursa

56

57 Kısmi İyileştirme Modelinin Özellikleri:
Kısmi İyileştirme modeli de otoregresiv bir modeldir.Yani Yt-1 bağımsız değişkenini içermektedir. 2.Hata terimi ut otokorelasyonlu değildir.

58 Yt* bir şirketin arzu ettiği stok mal düzeyi,
Yt gerçek stok mal düzeyi Xt satış miktarı olsun. Arzu edilen stok mal düzeyinin satışlara bağlı olduğunu varsayarsak: Yt* =  + Xt

59 Yt = Yt-1 +  (Yt* - Yt-1) + ut,
Pazardaki belirsizliklerden dolayı, arzu edilen ve gerçek stok mal düzeyleri arasındaki açık, bir anda kapatılamaz. Ancak her dönemde açığın belli bir kısmı kapatılabilir. Bu durumda t zamanındaki stok mal düzeyi; t-1 zamanındaki stok mal düzeyine, düzeltme faktörü ve hata teriminin eklenmesine eşit olacaktır: Yt = Yt-1 +  (Yt* - Yt-1) + ut, Bu model, kısmî iyileştirme modeli olarak bilinir. ( 0  d  1)

60  parametresi, kısmî düzeltme katsayısı;
1/ : düzeltme hızıdır. Düzeltme katsayısı(), açığın bir dönemde kapatılacak oransal miktarını; Düzeltme hızı (1/ d )ise, açığın tamamen kapatılabilmesi için geçmesi gereken dönem sayısını verir. Örneğin;  = 0.25 ise, bir dönemde açığın %25'i kapatılabilecektir; açığın tamamen kapanması için geçecek süre ise, 1/  =1/0.25=4 yıldır.

61 Uygulama: dönemi dört aylık verilere dayanarak ABD için Ct = a1 + a2Xt + a3Ct-1 + ut modeli aşağıdaki gibi tahmin edilmiştir. Ct : Toplam Tüketim Xt : Toplam Gelir ilişkisinden yola çıkarak elde edilen kısa dönem modelinden uzun dönem modelini kısmi iyileştirme modeliyle elde ediniz.

62 Uygulama: b2 uzun dönem marjinal tüketim eğilimi iken
Kısmi İyileştirme Modeli Uzun dönem modeli b2 uzun dönem marjinal tüketim eğilimi iken a2 kısa dönem marjinal tüketim eğilimidir. a3=1-d d=1-a3 d= =0.3245 açığın bir dönemde kapatılacak oransal miktarını verir

63 Uygulama: a2=0.2959 kısa dönem etki
b2=Uzun dönem MTE=0.2959/0.3245=0.91 Uzun dönemde verilen bir zaman diliminde tüketiciler (sadece tüketimlerinin üçte birini düzeltmektedir (ayarlamaktadır)

64 Görünüşte uyumcu beklenti ve kısmi iyileştirme modeli (ve Koyck modeli) tahmin edilen regresyon açısından bakıldığında benzerdir: Tüketicilerin davranışlarını alışkanlıklar belirliyorsa kısmi iyileştirme modeli; Tüketici davranışı ileriye yönelik gelecekteki umulan gelire bağlıysa en iyi model uyumcu beklenti modelidir. Kısmi iyileştirme modelinde EKKY tutarlı tahmincileri verir. EKKY varsayımları sağlanır. Uyumcu beklenti modelinde tutarlı tahminciler elde edilmeyebilir.

65 ln(Q*)t=b0 + b1 ln(X/G)t + b2 ln(P/G)t + ut
Uygulama: Modern Econometrics R.L.Thomas (p ) Değişkenler Q= 1980 fiyatlarıyla gıda harcamaları, X= Cari fiyatlarla toplam harcamalar, P= Gıda fiyat indeksi, G= Genel fiyat indeksi. ln(Q*)t=b0 + b1 ln(X/G)t + b2 ln(P/G)t + ut Uzun dönem modeli varsayım ln(Q)t=b0 d + b1 d ln(X/G)t + b2 d ln(P/G)t + (1- d) ln(Q)t-1 + ut Kısa dönem modeli

66 ln(Q)t=b0 d + b1 d ln(X/G)t + b2 d ln(P/G)t + (1- d) ln(Q)t-1 + ut (kısa dönem modeli)
0 Dependent Variable: LOG(Q) Method: Least Squares Sample: Included observations: 25 Variable Coefficient Std. Error t-Statistic Prob. C LOG(X/G) LOG(P/G) LOG(Q(-1)) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) 1 2 (1-)

67 a1: kısa dönem etki b1:uzun dönem etki
0 = ( ) 0 = 0 = (1-) =  = 2 = ( ) 2 = 2 = Uzun dönemde tüketiciler gıda harcamalarının yarısını düzeltmektedir (iyileştirmektedir). 1 = a1 ( ) 1 = 1 = a1: kısa dönem etki b1:uzun dönem etki

68 ln(Q*)t= 0 + 1 ln(X/G)t + 2 ln(P/G)t + ut
 = 0 = 1 = 2 = Uzun dönem modeli a1=b1d =0.14 Kısa dönem etki 1 = Uzun dönem etki Cari veya gözlenen toplam harcamadaki bir birimlik artış gıda harcamasını yaklaşık 0.14 birim arttırırken ;toplam harcamadaki bu artış devam ettiğinde uzun dönemde gıda harcamasını 0.27 birim arttırır.

69 Uygulama: Aşağıdaki tabloda İngiltere’nin dönemindeki şarap tüketimi ve harcanabilir geliri ile ilgili verileri gösterilmiştir. Yıllar Şarap tüketimi Gelir Aşağıda şarap tüketiminin Almon polinomial modeli verilmiştir. Yt = Zot Z1t Z2t s(bi) (17.35) (0.227) (0.812) (0.394) Buna göre orijinal modeli tahmin ediniz

70 Uygulama:

71 Modern Econometrics R.L.Thomas(p.320)
Ct= Sabit fiyatlarla tüketim harcamaları Y = Sabit fiyatlarla kullanılabilir gelir r=2 ; k=6 = Xt+Xt-1+Xt-2+Xt-3+Xt-4+Xt-5+Xt-6 = Xt-1+ 2Xt-2 + 3Xt-3 + 4Xt-4 + 5Xt-5 + 6Xt-6 = Xt-1+ 4Xt-2 + 9Xt Xt Xt Xt-6

72 Otoregresiv Modellerin Tahmin Yöntemleri
Dağıtılmış Gecikme Modelini tahmin için kullanılmakta olan bu modeller aslında otoregresiv modeller olup Yt’nin gecikmeli değerlerinden oluşan Yt-1 değişkenini içermektedir. Koyck Modeli Uyumcu Beklenti Modeli Kısmi İyileştirme Modeli Yt-1 değişkenli otoregresiv model : Genel Otoregresiv Model Yt-1 modelde bağımsız bir değişken olarak yer almakta ve vt hata terimi otokorelasyonludur. Bu nedenle EKKY ile doğrudan çözülememektedir.

73 Otoregresiv Modellerin Tahmin Yöntemleri
Stokastik Yt-1 bağımsız değişkeni, vt hata terimi ile ilişkilidir. Bu nedenle EKK tahmincileri sapmalı ve tutarsız olur. Örnek büyüklüğü sonsuza gitse de tahminciler gerçek anakütle değerlerine yaklaşmazlar. Koyck Modeli Uyumcu Beklenti Modeli vt=dut olduğundan ut hata terimi EKK varsayımlarını sağladığında vt de sağlar. Bu nedenle kısmi iyileştirme modeli EKKY tahmincileri tutarlı tahminler verir. Ancak küçük örneklerde bu tahminler sapmalıdır. Kısmi İyileştirme Modeli 73

74 Otoregresiv Modellerin Tahmin Yöntemleri
Otoregresiv Modellerin EKKY ile Tahminleri vt = ut EKKY ile tahminlenirse; Tutarlı tahminler verir Küçük örneklemlerde bu tahminler sapmalıdır. 74

75 Alet Değişken Yöntemi ile Otoregresiv Modellerin Tahminleri
Hata terimi vt’nin otokorelasyonlu olması durumunda ADY tahmincileri Hata terimi vt’nin otokorelasyonlu olmaması durumunda ADY tahmincileri Küçük örnekler için sapmalı, büyük örnekler için asimtotik olarak etkin ve tutarlı tahminler elde edilir. Küçük örnekler için sapmalı, büyük örnekler için asimtotik olarak etkin olmayan tahminler elde edilir. 75

76 Alet Değişken Yöntemi ile Otoregresiv Modellerin Tahminleri
ADY de, problem çıkaran Yt-1 değişkeni yerine geçecek bir “vekil değişken” bulunur. Vekil değişkene “Alet Değişken” de denir. 76

77 Alet Değişken Yöntemi ile Otoregresiv Modellerin Tahminleri
Genel otoregresiv modele ADY şu iki adımda uygulanır: Adım 1: Yt ile Xt’nin gecikmeli değerleri arasındaki regresyon denklemi tahminlenir: X’e her defasında yeni bir gecikmeli Xt-i değişkeni eklenerek en iyi model elde edilmeye çalışılır. Böylece gecikme sayısı belirlenir. 77

78 2) ADY Alet Değişken Yöntemi ile Otoregresiv Modellerin Tahminleri
Adım 2: (2) nolu denklemden değerleri bulunur ve bir dönem geciktirilerek ler elde edilir. Daha sonra (1) nolu regresyon denklemindeki Yt-1 yerine alet değişken olarak alınarak aşağıdaki model tahminlenir: 2) ADY Bu modelden katsayı tahminleri tahmin edilir. 78

79 Yukarıdaki denklemde alet değişken bazen şöyle de
Not 1 Yukarıdaki denklemde alet değişken bazen şöyle de belirlenmektedir. ADIM 1. Yt ile X1t ve X2t arasındaki ilişki araştırılır. ADIM 2. Adım 1 deki denklemden ler ilgili X değerleri yerine konarak hesaplanır. lerin bir dönem gecikmeli değerleri ler alınarak aşağıdaki model tahmin edilir.

80 İkinci denklemin her iki tarafını önce Xt,
NOT 2. Yt-1 değişkeni yerine vekil değişken olarak Xt-1 in alınmasına Liviatan yaklaşımı denir. Liviatan, otoregresiv modelin parametreleri a0, a1 ve a2 nin tahmini için aşağıdaki normal denklemlerin çözümünü önermektedir. İkinci denklemin her iki tarafını önce Xt, üçüncü denklemin her iki tarafını da Xt-1 ile çarptık. .Liviatan, tahmin edilen a’ların tutarlı olduğunu, EKKY tahminlerininse tutarsız olduğunu göstermiştir.

81 Çünkü Yt-1, Yt-1 veya veya ile ilişkili olduğu halde;
Xt ve Xt-1 vt ile ilişkili değildir. Bu yaklaşım ile hata terimi ve bağımsız değişken arasındaki ilişki ortadan kaldırılır ancak bu kez Xt ile Xt-1 arasında çoklu doğrusal bağlantı olma olasılığı yükselir ve tahminler etkin olmaz.

82 Otoregresiv Modellerin Genelleştirilmiş EKKY (GEKKY) ile Tahmini
Otoregresiv modellerde otokorelasyon olması durumunda GEKKY kullanımı: (1) nolu model bir dönem geciktirilip p otokorelasyon katsayısı ile çarpılır 82

83 Daha sonra (1) nolu modelden (2) nolu model çıkartılarak GEKK otoregresiv modeli elde edilir
Küçük örnekler için sapmalı, fakat tutarlı ve asimtotik etkin tahminler elde edilir. 83

84 Otokorelasyon katsayısı p’nin doğrudan tahmini için (3) nolu modelde Yt yi yalnız bırakıp, düzenlemeler yapıldıktan sonra şu model elde edilir: 84

85 Denkleminde ve den p bulunur

86 p’nin Wallis Yöntemiyle Tahmini :
Adım 1. Yt-1 yerine Xt-1 değişkeni alet değişkeni olarak alınır .

87 Adım 2. vt hata teriminin örnek tahmini değerleri leri hesaplanır ve lerin birbirini takip eden değerleri arasındaki ilişki hesaplanır

88 Adım 3.

89 Otoregresiv Modellerde Otokorelasyonun Belirlenmesi :
Durbin’in h Testi Genel otoregresiv modeli için Durbin h testi dört adımda yapılmaktadır. Adım 1. modeli EKKY ile tahmin edilerek Yt-1 in katsayısı olan a2’nin varyansı var(a2) hesaplanır.

90 Otoregresiv Modellerde Otokorelasyonun Tespiti :
Durbin’in h Testi Adım 2. Otokorelasyon katsayısı hesaplanır: Adım 3. h kritik oranı hesaplanır: n: örnek hacmi Var(a2)= Yt-1 gecikmeli değişkeni katsayısının varyansı d= Durbin-Watson d istatistiği

91 Otoregresiv Modellerde Otokorelasyonun Tespiti :
Durbin’in h Testi Büyük örnekler p=0 iken h istatistiği standart normal dağılımlıdır(Ortalaması sıfır, varyansı bir olan dağılım). Bu nedenle gözlenen bir h değerinin istatistiksel olarak anlamlılığı Normal Eğri Alanları Tablosundan belirlenir. Adım 4. Normal dağılımda olduğundan standart normal değişken h’nin testinde karar şöyle verilir :

92 h > 1.96 ise pozitif otokorelasyon olmadığına dair H0 hipotezi reddedilir.
h < ise negatif otokorelasyon olmadığına dair H0 hipotezi reddedilir. -1.96 < h < 1.96 ise pozitif veya negatif otokorelasyon olmadığı H0 hipotezi reddedilemez, kabul edilir. h testi büyük örnekler ( n >=30) için kurulmuş olup, küçük örneklere uygulanabileceği kesin olarak gösterilememiş ve küçük örnek özellikleri henüz ortaya konulmamıştır.

93 Hindistan para talebi fonksiyonu aşağıdadır:
Örnek: Hindistan para talebi fonksiyonu aşağıdadır: s(bi) t (1.2404) (1.3066) (0.3678) ( ) (0.3427) (2.0108) (0.2007) (2.6328) R2=0.9227 d=1.8624 h= ile 1.96 arasındadır. Otokorelasyon olmadığı yönündeki H0 hipotezi kabul edilir.

94 Bir Otoregresiv Model Çözümü Uygulaması
Örnek dönemi tüketim (Yt) ve gelir (Xt) verilerini kullanarak otoregresiv modeli tahmin ediniz. Bu modelin çözümü için Liviatan’ın normal denklemlerinden a’ları hesaplayınız. Bu modelin EKK çözümünü bulunuz. 94

95 Bir Otoregresiv Model Çözümü Uygulaması
Yıl Yt Yt-1 Xt Yt Xt Xt2 Yt-1 Xt YtXt-1 Xt-1 XtXt-1 Yt-1Xt-1 1976 2 - 3 6 9 1977 4 12 16 8 1978 5 20 25 15 1979 7 42 49 28 30 35 1980 11 77 121 66 1981 96 144 84 88 132 1982 10 150 225 120 180 1983 13 18 234 324 195 270 1984 14 22 308 484 286 252 396 1985 26 416 676 364 352 572 1986 19 29 551 841 464 494 754 1987 32 640 1024 608 580 928 1988 21 735 1225 700 672 1120 1989 23 966 1764 882 805 1470 1990 50 1250 2500 1150 1050 2100

96 Bir Otoregresiv Model Çözümü Uygulaması

97 Bir Otoregresiv Model Çözümü Uygulaması
Modelin EKKY tahminleri ise şöyledir: Liviatan yöntemi ile bulunan sonuç:

98 Dağıtılmış Gecikme ve Otoregresiv Modellerin Tahmin
Yöntemlerinin Karşılaştırılması(Özet) Gecikmeli değişkenli modeller, sadece bağımsız değişkenin gecikmeli değerlerini içeren modeller (dağıtılmış gecikmeli modeller) ile bağımlı değişkenin gecikmeli değerlerini içeren modeller(otoregressiv modeller) ve her iki grup gecikmeli değişkenleri içeren modeller olarak üçe ayrılır: Sadece bağımsız değişkenin gecikmeli değerlerini içeren modeller(=dağıtılmış gecikme modelleri) Gecikmeli değişkenli modeller Bağımlı değişkenin gecikmeli değerlerini içeren modeller (=otoregresiv modeller) Dağıtılmış gecikme modellerinin tahmini için kullanılan modeller (Koyck, Uyumcu Beklenti , Kısmi İyileştirme Modeli)

99 Dağıtılmış Gecikme ve Otoregresiv Modellerin Tahmin
Yöntemlerinin Karşılaştırılması(Özet) Gecikmeli modeller sayesinde, bağımsız değişkenin bir birim artmasının bağımlı değişken üzerindeki kısa ve uzun dönemde yapacağı artışı (veya azalış) ayırdetmek mümkündür. Gecikmesi dağıtılmış modeller prensip olarak EKKY ile tahmin edilebilmektedir ancak bağımsız değişken sayısının fazla olması sebebiyle serbestlik derecesi azalmakta ve çoklu doğrusal bağlantı ortaya çıkmaktadır. Çok sayıda gecikmeli değişkenli modellerde gecikmeli değişkenlerin katsayılarına a priori ön sınamalar konulması gerekir. Bunlar: Almon Koyck Uyumcu beklenti Kısmi iyileştirme modelleridir.