DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci"

Transkript

1 DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Otoregresiv Modeller AR(p) Süreci

2 Tek Değişkenli Zaman Serisi Modelleri Ekonomik verilerin analizi ile ekonomik değişkenlerin gelecekte alabilecekleri değerleri kestirimini amaçlanmaktadır. Geleneksel ekonometrik model kurmadaki aşamalar: 1. Ekonometrik Modelin Formüle Edilmesi 2. Veri Toplama 3. Modelin Parametrelerinin Tahmini 4. Çıkarsama ve Önraporlama 2

3 DOĞRUSAL ZAMAN SERİSİ MODELLERİ Zaman serisi verisi analizlerinde model kurmak yerine serinin kendisi analiz edilir. Ekonomik değişkeni meydana getiren değerler dizisinin iç dinamikleri araştırılır. Bu iç dinamikleri ortaya çıkaran istatistiksel model zaman serisi modeli olarak adlandırılmaktadır. 3

4 DOĞRUSAL ZAMAN SERİSİ MODELLERİ Bu iç dinamikleri ortaya çıkaran istatistiksel model zaman serisi modeli olarak adlandırılmaktadır. Zaman serisi modelleri analizi iktisadi teori ile başlamaz. Zaman serisi modeli serinin kendi değerlerini dikkate alarak gelecekteki değerleri hakkında bilgi verir. 4

5 DOĞRUSAL ZAMAN SERİSİ MODELLERİ Önraporlama amacıyla bir zaman serisi kullanılacaksa şu hususlara dikkat edilmelidir. Kısa dönemi önraporlamak Önrapor için çok kısa süreye ihtiyaç duyulması Önraporu yapılacak zaman serisi için yeterince gözlem bulunması 5

6 DOĞRUSAL ZAMAN SERİSİ MODELLERİ Zaman serisi modeli Y t = f (Y t-1, Y t-2,, e t, e t-1, e t-2, ) Fonksiyonel Form Gecikme Yapısı Kalıntı Terimleri Yapısı 6

7 Otoregresif Süreç: AR(p) Bir ekonomik değişkenin geçmiş değerlerinin içerdiği bilgiye dayanarak gelecek değerleri hakkında önraporlama yapılabilir. Ekonomik değişkenin geçmişini yansıtan bilgi yalnızca kendi değerlerine göre modellenirse otoregresif süreç sözkonudur. 7

8 AR Süreci için bir örnek Bir limonata satıcısı olduğunuzu ve her saat beşbardak limonata sattığınızı düşünürseniz. Eğer siz limonata sattığınız yeri kapatmak ve limonata bittiği için satmaktan vazgeçmek istemiyorsanız, her saat başına tükenen limonata yerine yeni limonata doldurmanız gerekir. Böylece her saat beş bardak limonata satılsa da siz her zaman yerine yenisini ilave ettiğinizden siz bir kaza geçirmediğiniz sürece asla limonata satışınızda bir aksama olmaz. Bu bir otoregresif süreci tarif eder. Çünkü daha az ya da daha fazla limonata satmanız şeklinde bir şok belli bir saatteki limonata seviyesini etkiler. 8

9 p. Derece Otoregresif Süreç Y t = + 1 Y t Y t-2 +,+ p Y t-p +e t : Sabit terim olup stokastik süreç olan Y t nin ortalamasıdır. ler : Bilinmeyen ototregresif parametreler e t : Ortalaması sıfır, sabit varyanslı; rassal değişkendir. 2 e otokorelasyonsuz 9

10 AR(1) Süreci Birinci derece otoregressif süreç Y t = + 1 Y t-1 + e t -1 < 1 < +1 Zaman serileri analizi, ilgilenilen değişkenin yani Y t nin -ortalama, -varyans -kovaryansının hesaplanmasıyla başlar. 10

11 AR(1) Süreci Geçmiş ve gelecekteki rassal değişkenler örneklem gözleminde (Y 1, Y 2,.,Y t ) olduğu gibi aynı olasılık yoğunluk fonksiyonunu takip eder. Bir değişken tüm dönemlerde aynı olasılık fonksiyonuna sahipse, bu değişkenin geçmiş ve gelecek değerlerine bakılmaksızın aynı ortalama ve varyansa sahip oldukları varsayılır. 11

12 AR(1) Süreci Y t ve Y t-s arasındaki kovaryans zamana değil, bu iki rassal değişken arasındaki s sayıdaki öncül yada gecikmeye bağlıdır. Bu ise geçmişe dayanarak geleceği öngörmek için önemli bir varsayımdır. Y t = + 1 Y t-1 + e t e t ~IID(0, 2 ) 12

13 AR(1) Sürecinin Ortalaması E(Y) = E( + 1 Y t-1 + e t ) = E( + 1 Y t-1 ) + E(e t ) = E( + 1 Y t-1 ) = =

14 AR(1) Süreci Otoregresif parametrenin değeri 1 <1 ise süreç durağandır. 1 =1 ise serinin varyansı sabit olmaz ve zamanla büyür. =0 ise Y t nin ortalaması = 0 dır. Bu durum seriyi ortalamadan sapmalar cinsinden tanımlamakla özdeştir. Yani (Y t - ) a ulaşırız. 14

15 AR(1) Sürecinin Varyansı = 0 olarak varsayılsın. Bu durumda AR(1) denklemi: Y t = 1 Y t-1 + e t Var(Y t ) = 2 Y Var( 1 Y t-1 +e t ) 2 Var ( Y ) 1 Var ( e 1 t t e e Y ) 15

16 AR(1) Sürecinin Kovaryansı Cov(Y t, Y t-1 )= E { [Y t E(Y t )] [Y t-1 E(Y t-1 )] } E(Y t )= E()= 0 = E(Y t Y t-1 ) = E[( Y t-1 + e t ) Y t-1 ] = E[ Y t-12 + e t Y t-1 ] = E(Y t-12 ) + E [e t Y t-1 ] = 1 2 Y 16

17 AR(1) Sürecinin Kovaryansı Bu kovaryans bütün rassal değişkenler için aynıdır. Cov(Y t-1, Y t-2 )= E(Y t-1 Y t-2 )= 1 Y 2 Cov(Y t-2, Y t-3 )= E(Y t-2 Y t-3 )= 1 Y 2 17

18 t=2 için kovaryans Cov(Y t, Y t-2 )= E {[Y t E(Y t )] [Y t-2 E(Y t-2 )]} 0 0 = E(Y t Y t-2 ) = E[( Y t-1 + e t ) Y t-2 ] = E[ Y t-1 Y t-2 + e t Y t-2 ] = E(Y t-1 Y t-2 ) + E [e t Y t-2 ] = 1 ( 1 Y2 ) = 12 Y

19 t=k için kovaryans k k = Cov(Y t, Y t-k )= 1 2 Y Y t nin varyansı 0 = Cov(Y t, Y t )= Y 2 =( e2 )/(1-12 ) k = 1 k-1 = 1k Y2 = 1k 0 Y t ve Y t-k arasındaki kovaryans zamana bağlı değildir. 19

20 Korelasyon Katsayısı Kovaryanslar Y t nin ölçü birimlerine bağlı olduğundan yorum problemi ile karşılaşılır. Bu durumu aşmak için Y t ve Y t-k arasındaki korelasyon hesaplanır. Cor Y t,yt k r k = cov Y,Y Var Y t tk Var Y t tk r k = Y Y k 0 k 0, 1, 2,... 20

21 Otokorelasyon Fonksiyonu Otokovaryans ve otokorelasyon katsayıları sıfır gecikme civarında simetriktirler: r -k = r k Bu nedenle de yalnızda pozitif gecikmeleri dikkate almak yeterlidir. AR (1) süreci için otokorelasyon katsayısını tanımlayan r k =Фr k-1 = Ф 1 k k=1,2, ifadesi serinin otokorelasyon fonksiyonu olarak (ACF) bilinir. 21

22 Ф 1 nin Etkisi Ф 1 sıfıra yakın değerler aldıkça ortalamayı sıkça keser. Ф 1 bire yakın değerler aldıkça ortalamayı daha az sayıda keser. Ф 1 1 olursa patlayan seri ile karşılaşılır. Ф 1 = 1 olduğunda temiz dizi söz konusudur. 22

23 AR(1) Modeli ACF ve PACF GRAFİKLERİ Uygulamalarda PACF grafiğinin sadece ilk gecikmesine ait ilişki miktarı istatistiksel olarak önemli ise, yani güven sınırını aşıyorsa ve ACF grafiğindeki ilişki miktarları gecikme sayısı arttıkça yavaş yavaş azalıyorsa seriye en uygun model AR(1) modelidir. 23

24 AR(1) Modeli ACF ve PACF GRAFİKLERİ 24

25 25

26 26

27 AR (2) Sürecinin Özellikleri AR(1) zaman serisi modelleri bir çok ekonomik zaman serisini tasvir eder. Ancak konunun teorik yapısı için AR(2) süreci ile genel hal olan ve AR(p) süreci açıklanacaktır. 27

28 AR (2) Sürecinin Özellikleri Y t = +Ф 1 Y t-1 + Ф 2 Y t-2 +e t e t ~IID(0, 2 ) E(Y t ) = E(+Ф 1 Y t-1 + Ф 2 Y t-2 +e t ) = E()+Ф 1 E(Y t-1 )+ Ф 2 E(Y t-2 )+E(et) = +Ф 1 μ+ Ф 2 μ veya E(Y t ) = μ =

29 AR (2) Sürecinin Özellikleri AR (2) sürecinin durağan olması için Ф 1 ve Ф 2 Ф 1 + Ф 2 < 1 Ф 2 Ф 1 < 1 Ф 2 < 1 olmalıdır. 29

30 AR (2) Sürecinin Özellikleri = = 0 varsayılarak Y t nin varyans ve kovaryansı E(Y t2 ) = = E[Y t Y t ] E [Y t ( Ф 1 Y t-1 + Ф 2 Y t-2 +e t ) ] 0 = Ф Ф e 2 E(Y t-1 Y t ) = E [ Y t-1 ( Ф 1 Y t-1 + Ф 2 Y t-2 +e t ) ] 1 = Ф Ф 2 1 E(Y t-1 Y t ) = E [ Y t-2 ( Ф 1 Y t-1 + Ф 2 Y t-2 +e t ) ] 2 = Ф Ф

31 AR (2) Sürecinin Özellikleri Genel olarak k 2 için E(Y t-k Y t ) = E [ Y t-k ( Ф 1 Y t-1 + Ф 2 Y t-2 +e t ) ] yazılabilir. k = Ф 1 k-1 + Ф 2 k-2 0, 1 ve 2 eşitliklerini eş anlı olarak çözüp Ф 1, Ф 2 ve e 2 terimleri cinsinden 0 değeri elde edilebilir: 31

32 AR (2) Sürecinin Özellikleri 1 = Ф Ф 2 1 φγ 1 0 γ= 1 1-φ 2 2 eşitliğini 0 eşitliğinde yerine yazıp düzenleyelim: 0 = Ф Ф 2 (Ф Ф 2 0 ) + 2 e 0 = Ф Ф 2 Ф Ф e 1 eşitliğini yukarıdaki eşitlikte yerine yazalım: γ γ γ = + + γ +σ e

33 AR (2) Sürecinin Özellikleri γ= 1-2σe Otokovaryanslar arasındaki ilişkiler aşağıdaki gibi ifade edilebilir: 1 = Ф Ф = Ф Ф

34 AR (2) Sürecinin Özellikleri Otokovaryanslar arasındaki ilişkilerin benzeri otokorelasyon katsayıları için de elde edilebilir. r 1 = Ф 1 + Ф 2 r 2 Bunların çözümü yapılırsa: r 2 = Ф 1 r 1 + Ф 2 r 1 = Ф 1 / (1 - Ф 2 ) ve r 2 = Ф 2 + (Ф 2 1 ) / (1 - Ф 2 ) Elde edilir. 34

35 AR (2) Sürecinin Özellikleri AR(2) süreci için otokorelasyon fonksiyonu: r k = Ф 1 r k-1 + Ф 2 r k-2 k =3,4, Ф1 ve Ф1 değerleri sıfıra yaklaştıkça saçılım çok sık ortalamayı keser. Ф 1 ve Ф 1 değerleri bire yaklaştıkça saçılım daha az olarak ortalamayı keser. 35

36 AR(2) Modeli ACF ve PACF Grafikleri Uygulamalarda AR(2) modelinin seriye en uygun model olarak belirlenebilmesi için ACF grafiğinde ilişki miktarları yavaş yavaş azalırken PACF grafiğinde ilk iki gecikmeye ait ilişkilerin önemli olması, ikinci gecikmeden sonra da ilişkilerin önemsiz hale helmesi, yani güven sınırlarını geçmemesi gerekmektedir. 36

37 AR(2) Modeli ACF ve PACF Grafikleri 37

38 38

39 39

40 40

41 41

42 AR (p) Sürecinin Özellikleri Y t = + Ф 1 Y t-1 + Ф 2 Y t Ф r Y t-r +e t Bu modelde denklemin sağında yer alan değişkenler rassaldır. Cor (e t,e s ) = 0 olduğu içim Y t nin gecikmeli değerleri ile korelasyonsuz olacaktır. Bu modelde EKKY kullanılarak tutarlı bir tahmin üretilebilir. Otoregresif süreç durağan ise ortalaması μ ile gösterilir ve zamanla değişmez. 42

43 AR (p) Sürecinin Özellikleri E(Y t ) = E(Y t-1 )=.= E(Y t-r )= μ μ= +Ф 1 μ+ Ф 2 μ+ + Ф r μ μ= () / (1- Ф 1 - Ф Ф r ) Süreç durağan ise μ sonludur. Bu durumda Ф 1 + Ф Ф r < 1 olur. Ancak bu durağanlığı sağlamak için yeterli koşul değildir. 43

44 AR (p) Sürecinin Özellikleri μ sonlu değilse, süreç herhangi bir referans noktasından daha uzağa kayar. Bu durumda süreç durağan değildir. Ф 1 =1, μ= ve >0 olduğu için kayan rassal süreç sürekli yukarıya doğru kayma eğilimindedir. 44

45 AR (p) Sürecinin Tahmini Zaman serisi sürecinin gözlenen değerlerinin tamamını aşağıdaki biçimde ifade edebiliriz: Y p+1 = + Ф 1 Y p + Ф 2 Y p Ф r Y 1 +e p+1 Y p+2 = + Ф 1 Y p+1 + Ф 2 Y p + + Ф r Y 2 +e p+2 Y T = + Ф 1 Y T-1 + Ф 2 Y T-p + + Ф r Y T-p +e T Bu denklem sisteminin matris notasyonunda gösterimi: 45

46 AR (p) Sürecinin Tahmini y = Xβ+e y = (Y p+1, Y p+2,, Y T ) e = (e p+1, e p+2,, e T ) β = (, Ф 1, Ф 2,, Ф p ) X 1 Y Y P P1 1 Y Y P1 1 Y Y P T1 T2 Y Y Y 1 2 tp 46

47 AR (p) Sürecinin Tahmini ˆβ nın en küçük kareler tahminci ˆβ= XX 1 Xy ˆβ nın kovaryansı ˆ 2 cov β= σ XX 1 e 2 σe (y Xβ) ˆ y Xβˆ T 2p 1 AR(p) sürecinin ortalaması nün tahmincisi ˆδ ˆμ= 1-φˆ φˆ φˆ 1 2 p 47

48 Kısmi Otokorelasyon Fonksiyonu AR sürecinin derecesinin belirlenmesinde: p değerlerini arttırarak ilave parametreli yeni bir AR sürecini tahmin edilir. İlave edilen yeni parametrenin anlamlılığı test edilir. Yada AR sürecinin derecesinin belirlenmesinde kısmi otokorelasyonlardan faydalanılır. pp p.dereceden bir AR sürecinin kısmi otokorelasyon katsayısını göstersin. 48

49 Kısmi Otokorelasyon Fonksiyonu Bu katsayı Y t-1, Y t-2,, Y p-t+1 in etkilerini hesapladıktan sonra Y t ile Y t-p arasındaki korelasyonu ölçer. Y t = + Ф 1 Y t-1 +e t Y t = + Ф 1 Y t-1 + Ф 2 Y t-2 +e t ˆφ tk kk 12 1T Tφˆ kk 49

50 AR(p) Modeli ACF ve PACF Grafikleri AR(1) ve AR(2) modelinin özelliklerine bakarak AR(p) modeli için ACF grafiğindeki ilişkiler yavaş yavaş azalırken PACF grafiğindeki ilk p gecikmeye ait ilişkiler önemli p inci gecikmeden sonraki ilişkilerin de önemsiz olduğu söylenebilir. 50

51 12 gecikme için AR(1),φ 1 = 0.6

52 12 gecikme içinar(1), φ 1 = 0.7

53 53

54 54

55 55

56 56

57 57

58 58

59 59

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci

DOĞRUSAL ZAMAN SERİSİ MODELLERİ. Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci DOĞRUSAL ZAMAN SERİSİ MODELLERİ Durağan ARIMA Modelleri: Hareketli Ortalama Modelleri MA(q) Süreci Hareketli Ortalama Süreci:MA(q) Hareketli Ortalama sürecini yapısını ortaya koymak için önce hisse senedi

Detaylı

Matris Cebiriyle Çoklu Regresyon Modeli

Matris Cebiriyle Çoklu Regresyon Modeli Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1 3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki

Detaylı

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

ZAMAN SERİSİ SÜREÇLERİ Durağan ve Durağan Olmayan Zaman Serileri

ZAMAN SERİSİ SÜREÇLERİ Durağan ve Durağan Olmayan Zaman Serileri ZAMAN SERİSİ SÜREÇLERİ Durağan ve Durağan Olmayan Zaman Serileri 1 Zaman Serileri Analizi Zaman Serisi Modelleri Veri Üretme Süreci(DGP) Stokastik Süreçler Durağan Stokastik Süreçler Durağan Stokastik

Detaylı

İÇİNDEKİLER ÖN SÖZ...

İÇİNDEKİLER ÖN SÖZ... İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN

Detaylı

DİNAMİK PANEL VERİ MODELLERİ. FYT Panel Veri Ekonometrisi 1

DİNAMİK PANEL VERİ MODELLERİ. FYT Panel Veri Ekonometrisi 1 DİNAMİK PANEL VERİ MODELLERİ FYT Panel Veri Ekonometrisi 1 Dinamik panel veri modeli (tek gecikme için) aşağıdaki gibi gösterilebilir; y it y it 1 x v it ' it i Gecikmeli bağımlı değişkenden başka açıklayıcı

Detaylı

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

27 Mart Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ZAMAN SERİLERİ VERİLERİYLE REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix B: Olasılık ve Dağılım Teorisi Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

SIRADAN EN KÜÇÜK KARELER (OLS)

SIRADAN EN KÜÇÜK KARELER (OLS) SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,

Detaylı

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ

Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA

Detaylı

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble. 1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t

Detaylı

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları

Detaylı

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir?

9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? 9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? Ardışık bağımlılık sorunu, hata terimleri arasında ilişki olmadığı (E(u i,u j ) = 0, i j) varsayımının geçerli olmamasıdır.

Detaylı

ARALIK TAHMİNİ (INTERVAL ESTIMATION):

ARALIK TAHMİNİ (INTERVAL ESTIMATION): YTÜ-İktisat İstatistik II Aralık Tahmini I 1 ARALIK TAHMİNİ INTERVAL ESTIMATION): Nokta tahmininde ilgilenilen anakütle parametresine ilişkin örneklem bilgisinden hareketle tek bir sayı üretilir. Bir nokta

Detaylı

009 BS 400- İstatistik sonılannın cevaplanmasında gerekli olabilecek tablolar ve formüller bu kitapçığın sonunda verilmiştir. 1. şağıdakilerden hangisi doğal birimdir? l TV alıcısı Bl Trafik kazası CL

Detaylı

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN

KORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin

Detaylı

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2

Detaylı

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.

Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Yayılma Ölçütleri Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Bir başka ifade ile, bir veri setinin,

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

ZAMAN SERİSİ ANALİZİ. Ne ilginçtir ki, insanlar büyük ölçüde rassal olan şeylerde anlamlı örnekler bulmaya çalışır. Mr. Data Star Trek, 1992

ZAMAN SERİSİ ANALİZİ. Ne ilginçtir ki, insanlar büyük ölçüde rassal olan şeylerde anlamlı örnekler bulmaya çalışır. Mr. Data Star Trek, 1992 ZAMAN SERİSİ ANALİZİ Ne ilginçtir ki, insanlar büyük ölçüde rassal olan şeylerde anlamlı örnekler bulmaya çalışır. Mr. Data Star Trek, 1992 Zaman Serisi Analizi İçin Temel Kavramlar Durağanlık ve Durağan

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.

Detaylı

Zaman Serileri Verileriyle Regresyon Analizinde Ek Konular. Durağan (Stationary) ve Durağan Olmayan (Nonstationary) Zaman Serileri

Zaman Serileri Verileriyle Regresyon Analizinde Ek Konular. Durağan (Stationary) ve Durağan Olmayan (Nonstationary) Zaman Serileri 1 ZAMAN SERİLERİ VERİLERİYLE REGRESYON ANALİZİNDE EK KONULAR Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde

Detaylı

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu

4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ Katsayıların Yorumu 4. TAHMİN SONUÇLARININ DEĞERLENDİRİLMESİ 4.1. Katsayıların Yorumu Y i = β 0 + β 1 X 1i + β X i + + β k X ki + u i gibi çok açıklayıcı değişkene sahip bir modelde, anakütle regresyon fonksiyonu, E(Y i X

Detaylı

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0

H 0 : θ = θ 0 Bu sıfır hipotezi şunu ifade eder: Anakütle parametresi θ belirli bir θ 0 YTÜ-İktisat İstatistik II Hipotez Testi 1 HİPOTEZ TESTİ: AMAÇ: Örneklem bilgisinden hareketle anakütleye ilişkin olarak kurulan bir hipotezin (önsavın) geçerliliğinin test edilmesi Genel notasyon: anakütleye

Detaylı

Nedensel Modeller Y X X X

Nedensel Modeller Y X X X Tahmin Yöntemleri Nedensel Modeller X 1, X 2,...,X n şeklinde tanımlanan n değişkenin Y ile ilgili olmakta; Y=f(X 1, X 2,...,X n ) şeklinde bir Y fonksiyonu tanımlanmaktadır. Fonksiyon genellikle aşağıdaki

Detaylı

Zaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören

Zaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,

Detaylı

BÖLÜM 12 STUDENT T DAĞILIMI

BÖLÜM 12 STUDENT T DAĞILIMI 1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir

Detaylı

ortalama ve ˆ ˆ, j 0,1,..., k

ortalama ve ˆ ˆ, j 0,1,..., k ÇOKLU REGRESYONDA GÜVEN ARALIKLARI Regresyon Katsayılarının Güven Aralıkları y ( i,,..., n) gözlemlerinin, xi ortalama ve i k ve normal dağıldığı varsayılsın. Herhangi bir ortalamalı ve C varyanslı normal

Detaylı

altında ilerde ele alınacaktır.

altında ilerde ele alınacaktır. YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 5: SEKK (OLS) nin Asimptotik Özellikleri

Detaylı

1: DENEYLERİN TASARIMI VE ANALİZİ...

1: DENEYLERİN TASARIMI VE ANALİZİ... İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...

Detaylı

BÖLÜM 9 NORMAL DAĞILIM

BÖLÜM 9 NORMAL DAĞILIM 1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen

Detaylı

İSTATİSTİK VE OLASILIK SORULARI

İSTATİSTİK VE OLASILIK SORULARI İSTATİSTİK VE OLASILIK SORULARI SORU 1 Meryem, 7 arkadaşı ile bir voleybol maçına katılmayı planlamaktadır. Davet ettiği arkadaşlarından herhangi bir tanesinin EVET deme olasılığı 0,8 ise, en az 3 arkadaşının

Detaylı

Zaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.

Zaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr. Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

BASİT REGRESYON MODELİ

BASİT REGRESYON MODELİ BASİT REGRESYON MODELİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri I: Basit Regresyon

Detaylı

En Yüksek Olabilirlik Yöntemi. İstatistikte, tüm anakütleler kendilerine karşılık gelen bir olasılık dağılımı ile tanımlanırlar.

En Yüksek Olabilirlik Yöntemi. İstatistikte, tüm anakütleler kendilerine karşılık gelen bir olasılık dağılımı ile tanımlanırlar. En Yüksek Olabilirlik Yöntemi İstatistikte, tüm anakütleler kendilerine karşılık gelen bir olasılık dağılımı ile tanımlanırlar. Basit(sıradan) en küçük kareler yöntemi, özünde olasılık dağılımları ile

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi Normallik Varsayımı ve Ençok Olabilirlik Yöntemi EO Açıklayıcı Örnekler Ekonometri 1 Konu 14 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

ZAMAN SERİLERİNDE REGRESYON ANALİZİ

ZAMAN SERİLERİNDE REGRESYON ANALİZİ ZAMAN SERİLERİNDE REGRESYON ANALİZİ 1 1. GİRİŞ Trent, serinin genelinde yukarıya ya da aşağıya doğru olan hareketlere denmektedir. Bu hareket bazen düz bir doğru şeklinde olmaktadır. Bu tür harekete sahip

Detaylı

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK

ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA

Zaman Serileri Verileriyle Regresyon Analizinde Ardışık ZAMAN SERİSİ REGRESYONLARINDA 1 ZAMAN SERİSİ REGRESYONLARINDA ARDIŞIK BAĞINTI ve DEĞİŞEN VARYANS Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (4th ed.) J. Wooldridge

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar 7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans

Detaylı

Tesadüfi Değişken. w ( )

Tesadüfi Değişken. w ( ) 1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere

Detaylı

ÜSTEL DÜZLEŞTİRME YÖNTEMİ

ÜSTEL DÜZLEŞTİRME YÖNTEMİ ÜSEL DÜLEŞİRME YÖNEMİ ÜSEL DÜLEŞİRME YÖNEMİ Bu bölüme kadar anlatılan yöntemler zaman içinde değişmeyen parametre varsayımına uygun serilerin tahminlerinde kullanılmaktaydı. Bu tür seriler deterministik

Detaylı

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü

Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu

Detaylı

Mühendislikte İstatistik Yöntemler

Mühendislikte İstatistik Yöntemler .0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0

Detaylı

Prof. Dr. Aydın Yüksel MAN 504T Yön. için Finansal Analiz & Araçları Ders: Risk-Getiri İlişkisi ve Portföy Yönetimi I

Prof. Dr. Aydın Yüksel MAN 504T Yön. için Finansal Analiz & Araçları Ders: Risk-Getiri İlişkisi ve Portföy Yönetimi I Risk-Getiri İlişkisi ve Portföy Yönetimi I 1 Giriş İşlenecek ana başlıkları sıralarsak: Finansal varlıkların risk ve getirisi Varlık portföylerinin getirisi ve riski 2 Risk ve Getiri Yatırım kararlarının

Detaylı

ZAMAN SERİ ANALİZİNDE TEMEL KAVRAMLAR

ZAMAN SERİ ANALİZİNDE TEMEL KAVRAMLAR ZAMAN SERİ ANALİZİNDE TEMEL KAVRAMLAR 1 KAVRAMLAR Öngörü: Gelecek olayları ya da koşulları tahmin etmeye öngörü denir. Karar verme sürecinde vazgeçilmez bir unsurdur. Nitel(kalitatif) Yöntemler: Öngörü

Detaylı

T.C. İNÖNÜ ÜNİVERSİTESİ SOSYAL BİLİMLERİ ENSTİTÜSÜ

T.C. İNÖNÜ ÜNİVERSİTESİ SOSYAL BİLİMLERİ ENSTİTÜSÜ T.C. İNÖNÜ ÜNİVERSİTESİ SOSYAL BİLİMLERİ ENSTİTÜSÜ ASİMETRİK NEDENSELLİK TESTİ VE İHRACAT- EKONOMİK BÜYÜME İLİŞKİSİ ÜZERİNE BİR UYGULAMA YÜKSEK LİSANS TEZİ DANIŞMAN HAZIRLAYAN YRD.DOÇ.DR.FATMA ZEREN A.KÜBRA

Detaylı

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ

BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ 1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel

Detaylı

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki

Detaylı

0,5749. Menkul Kıymet Getirisi ve Riskinin Hesaplanması Tek dönemlik basit getiri (Kesikli getiri)

0,5749. Menkul Kıymet Getirisi ve Riskinin Hesaplanması Tek dönemlik basit getiri (Kesikli getiri) Menkul Kıymet Getirisi ve Riskinin Hesaplanması Tek dönemlik basit getiri (Kesikli getiri) R t : t dönemlik basit getiri P t : t dönemdeki fiyat P t-1 : t dönemden önceki fiyat Örneğin, THYAO hisse senedinin

Detaylı

Meslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.

Meslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın. KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin

Detaylı

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Nokta Tahmini

Detaylı

Zaman Serileri Ekonometrisine Giriş

Zaman Serileri Ekonometrisine Giriş Zaman Serileri Ekonometrisine Giriş Durağanlık ve Durağan-Dışılık Ekonometri 2 Konu 24 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi

17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: TAHMİN Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 17 Ekim 2012 Ekonometri

Detaylı

GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE

GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI. Prof. Dr. Nezir KÖSE GAZİ ÜNİVERSİTESİ, İ.İ.B.F, İSTATİSTİK VE OLASILIĞA GİRİŞ I, UYGULAMA SORULARI Prof. Dr. Nezir KÖSE 30.12.2013 S-1) Ankara ilinde satın alınan televizyonların %40 ı A-firması tarafından üretilmektedir.

Detaylı

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ

ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ ÇOKLU REGRESYON ANALİZİNDE VARSAYIMLARDAN SAPMALARIN İNCELENMESİ 1. ÇOKLU REGRESYON ANALİZİ VE VARSAYIMALARDAN SAPMALAR 1.1. Çoklu Regresyon modeli Varsayımları 1.2. Tahmincilerin anlamlılığının sınanması

Detaylı

Genel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.

Genel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir. 4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans

Detaylı

DENGELEME HESABI-I DERS NOTLARI

DENGELEME HESABI-I DERS NOTLARI DENGELEME HESABI-I DERS NOTLARI Dengeleme Hesabı Adımları, En Küçük Kareler İlkesine Giriş, Korelasyon Prof. Dr. Mualla YALÇINKAYA Yrd. Doç. Dr. Emine TANIR KAYIKÇI Karadeniz Teknik Üniversitesi, Harita

Detaylı

Ders 4: Rastgele Değişkenler ve Dağılımları

Ders 4: Rastgele Değişkenler ve Dağılımları Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla

Detaylı

15.433 YATIRIM. Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş. Bahar 2003

15.433 YATIRIM. Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş. Bahar 2003 15.433 YATIRIM Ders 2: Menkul Kıymetler ve Wall Street de Rassal Yürüyüş Bahar 2003 İçerik Olasılık Teorisi Olasılık dağılımlarının kısa bir gözden geçirmesi Rassal olayları normal olaylarla değerlendirmek

Detaylı

2. BASİT DOĞRUSAL REGRESYON 12

2. BASİT DOĞRUSAL REGRESYON 12 1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12

Detaylı

Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır.

Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X(x ) dx Sürekli

Detaylı

İSTATİSTİKSEL VERİ ANALİZİ

İSTATİSTİKSEL VERİ ANALİZİ İSTATİSTİKSEL VERİ ANALİZİ Prof. Dr. Gül ERGÜN Hacettepe Üniversitesi Kasım 2013 İstatistik Nedir? İSTATİSTİK Belirli bir konuda toplanan sayısal değerlerdir. Buna göre, 2012 yılında Türkiye de kayıtlı

Detaylı

Sistem Simulasyonu. Ders 8 Laboratuvar. Girdi Analizi

Sistem Simulasyonu. Ders 8 Laboratuvar. Girdi Analizi Sistem Simulasyonu Ders 8 Laboratuvar Girdi Analizi Örneklem Verileri durağan olmalıdır. Bu sonuç zaman serisi grafiğinden gözlemlenir. Verilerde zamana bağlı farkedilebilir bir trend (eğilim) olmamalıdır.

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

Sistem Simulasyonu. Ders 8 Laboratuvar. Girdi Analizi

Sistem Simulasyonu. Ders 8 Laboratuvar. Girdi Analizi Sistem Simulasyonu Ders 8 Laboratuvar Girdi Analizi Örneklem Verileri durağan olmalıdır. Bu sonuç zaman serisi grafiğinden gözlemlenir. Verilerde zamana bağlı farkedilebilir bir trend (eğilim) olmamalıdır.

Detaylı

YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU

YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Marmara Üniversitesi U.B.F. Dergisi YIL 2005, CİLT XX, SAyı 1 YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Yrd. Doç. Dr. Ebru ÇACLAYAN' Arş. Gör. Burak GÜRİş" Büyüme modelleri,

Detaylı

İki Değişkenli Bağlanım Çıkarsama Sorunu

İki Değişkenli Bağlanım Çıkarsama Sorunu İki Değişkenli Bağlanım Çıkarsama Sorunu Aralık Tahmini Ekonometri 1 Konu 15 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported

Detaylı

İstatistiksel Kavramların Gözden Geçirilmesi

İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Çıkarsama Ekonometri 1 Konu 3 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

Merkezi Eğilim ve Dağılım Ölçüleri

Merkezi Eğilim ve Dağılım Ölçüleri Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani

Detaylı

1. BÖLÜM Polinomlar BÖLÜM II. Dereceden Denklemler BÖLÜM II. Dereceden Eşitsizlikler BÖLÜM Parabol

1. BÖLÜM Polinomlar BÖLÜM II. Dereceden Denklemler BÖLÜM II. Dereceden Eşitsizlikler BÖLÜM Parabol ORGANİZASYON ŞEMASI . BÖLÜM Polinomlar... 7. BÖLÜM II. Dereceden Denklemler.... BÖLÜM II. Dereceden Eşitsizlikler... 9. BÖLÜM Parabol... 5 5. BÖLÜM Trigonometri... 69 6. BÖLÜM Karmaşık Sayılar... 09 7.

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME

RİSK ANALİZİ VE AKTÜERYAL MODELLEME SORU 1: Bir hasar sıklığı dağılımının rassal değişken olan ortalaması (0,8) aralığında tekdüze dağılmaktadır. Hasar sıklığı dağılımının Poisson karma dağılıma uyduğu bilindiğine göre 1 ya da daha fazla

Detaylı

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa,

NORMAL DAĞILIM. 2., anakütle sayısı ile Poisson dağılımına uyan rassal bir değişkense ve 'a gidiyorsa, NORMAL DAĞILIM TEORİK 1., ortalaması, standart sapması olan bir normal dağılıma uyan rassal bir değişkense, bir sabitken nin beklem üreten fonksiyonunu bulun. 2., anakütle sayısı ile Poisson dağılımına

Detaylı

0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart

Detaylı

Tek Denklemli Modellerde Uygulanan Testler 1.Yeni Bağımsız Değişkenler Ekleme Testi(s )

Tek Denklemli Modellerde Uygulanan Testler 1.Yeni Bağımsız Değişkenler Ekleme Testi(s ) Tek Denklemli Modellerde Uygulanan Testler 1.Yeni Bağımsız Değişkenler Ekleme Testi(s.285-293) Y=β 1 + β 2 X 2 + β 3 X 3 + u (SR) Y=β 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + β 5 X 5 + u 1.Aşama (SM) H 0 : β

Detaylı

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( ) İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.

Detaylı

Bir Normal Dağılım Ortalaması İçin Testler

Bir Normal Dağılım Ortalaması İçin Testler Bir Normal Dağılım Ortalaması İçin Testler İÇERİK o Giriş ovaryansı Bilinen Bir Normal Dağılım Ortalaması İçin Hipotez Testler P-değerleri: II. Çeşit hata ve Örnekleme Büyüklüğü Seçimi Örnekleme Büyüklüğü

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Korelasyon, Korelasyon Türleri ve Regresyon

Korelasyon, Korelasyon Türleri ve Regresyon Korelasyon, Korelasyon Türleri ve Regresyon İçerik Korelasyon Korelasyon Türleri Korelasyon Katsayısı Regresyon KORELASYON Korelasyon iki ya da daha fazla değişken arasındaki doğrusal ilişkiyi gösterir.

Detaylı