Veri Seti

Analizleri gerçekleştirmek için 2005:01-2019:12 dönemine ait aylık zaman serisi verileri kullanılmıştır. Veri seti içerisinde Türkiye tüketici fiyat endeksi, Türkiye işsizlik oranı, Türkiye istihdam oranı, Türkiye sanayi üretim endeksi, TCMB ağırlıklı ortalama fonlama maliyeti, FED gölge faiz oranı, Reel Efektif Döviz Kuru (2010=100), Ham Petrol West Texas Intermediate Küresel Fiyatı, Brent Petrol Küresel Fiyatı, Enerji Küresel Fiyat Endeksi (2016=100) ve Türkiye, AB, ABD M1 ile M3 parasal büyüklüklerine dair mevsimsellikten arındırılmış veriler bulunmaktadır. Analiz kapsamında yer alan M1, M3,

60 Ham Petrol WTI Küresel Fiyatı, Brent Petrol Küresel Fiyatı, Enerji Küresel Fiyat Endeksi (2016=100), Reel Efektif Döviz Kuru Endeksi, Türkiye tüketici fiyat endeksi, Türkiye işsizlik oranı, Türkiye istihdam oranı ve Türkiye sanayi üretim endeksi değişkenlerine ait verilere St. Louis Federal Rezerv Bankası veri tabanından ulaşılmıştır. Türkiye Cumhuriyeti Merkez Bankası Elektronik Veri Dağıtım Sistemi’nden, TCMB ağırlıklı ortalama fonlama maliyeti verisi ve Leo Krippner (2020)’nın gölge faiz oranı çalışmalarına yönelik yayınların yer aldığı web sitesinden ABD gölge faiz oranı verisi elde edilmiştir. St. Louis Federal Rezerv Bankası veri tabanından alınan reel efektif döviz kuru, kurun artan değer kaybının ölçümü için dönüştürülmüştür. Fark formunda kullanılan TCMB ağırlıklı ortalama fonlama maliyeti, FED ve AMB gölge faiz oranları ile logaritmik formda kullanılan istihdam oranları hariç tüm değişkenler durağanlığı sağlayabilmek için modele logaritmik fark formunda dâhil edilmiştir. Marcet (2004) tarafından gerçekleştirilen çalışmaya göre farkı alınmış modeller ile geleneksel asimptotik teori kullanılabilmekle beraber teorinin birim kök açısından çelişkili ve karmaşık özelliklerinden de kaçınılabilmektedir. I(1) sürecinde çalışmayan teknikler veya yararlanılamayan teorem nedeniyle farkı alınmış VAR model, düzeydeki VAR modellerine ve eş bütünleşme tekniklerine daha robust bir alternatif olmaktadır. Farkı alınmış VAR model diğer modellere kıyasla daha robust bir süreç sunabilmektedir.

Düzeydeki VAR modellerinin veya eşbütünleşik tekniklerinin sonuçları, farkı alınmış VAR modelinin çalıştığı durumların hepsinde mevcut olamamaktadır. İlk olarak bu tür teknikler kısıtlayıcı varsayımlara ihtiyaç duymaktadır. Ayrıca modelin I(1) olduğu durumlarda farkı alınmış VAR istikrarlı ve iyi bir tahmin sağlarken düzeydeki VAR ve eşbütünleşme tekniği sonuçları tutarsızdır. Marcet (2004) çalışmasında düzeydeki VAR modelinin, gecikme uzunluğu sonsuza gitse dahi gerçek şoku ortaya çıkaramazken farkı alınmış VAR modelinin doğru cevabı verebildiğini öne sürmektedir. Bu çalışmayı destekler nitelikte olan Ashley ve Verbrugge (2009) araştırmasına göre sürekli zaman serilerinde düzeyde VAR modeli, hangi açıklayıcı değişkenlerin modelde yer alması gerektiğinin belirlenmesi gibi Granger nedensellik ilişkilerinin araştırılmasında kullanılmamalıdır. Aksine değişkenlerin fark formunda yer aldığı VAR modelinin kullanılmasıyla daha robust sonuçlar elde edilmektedir. Veriler gerçekten I(1) düzeyinde olduğunda ve eş bütünleşme olmadığında farkları alınmış VAR model mükemmel bir güven aralığı kapsamı sağlamaktadır. Çalışmada örneklem uzunluğu arttıkça farkları alınmış tahmin modelinin sonuçlarının kötüleştiği tespit edilmiştir. Geniş veri setleri, farkı fazla alınmış modellerde görülebilecek modelin yanlış belirlenmesi problemine karşı daha güçlü tepki vermekte olup tahmin modelinden doğan güven aralığı kapsamını

61 da daraltmaktadır. Ashley ve Verbrugge (2009)‘da araştırmalarında değişkenlerin I(1) olduğu durumlarda veri seti yeterli genişlikte olsa dahi düzeydeki VAR modellerinin yanlış test büyüklüklerine neden olduğunu tespit etmişlerdir. Bunların yanı sıra Kumar(2004) çalışmasında farkı alınmış VAR model tahmini ile dar örnekleme sahip dağılımların geliştirilebileceğini belirtmiştir. Çalışmaya göre dar örneklemlerde düzeydeki VAR model tahmininin asimptotik özelliklerinin doğruluğuna güvenilmemelidir. Bunun yerine, birinci farkları alınarak I(0) durumuna getirilmiş model ile tekrar tahmin gerçekleştirilmelidir.

Analizde gölge faiz oranı değişkeni literatürde yapılan çalışmalar göz önüne alınarak kullanılması hedeflenmiştir. Daha önce yapılan çalışmalara göre getiri eğrisinin sıfıra dayandığı kısımda, araştırmacılar Black(1995) tarafından öne sürülen gölge oran modeline dayanan faiz oranlarının dinamik modelini kullanmışlardır. Black(1995) yazdığı makalesinde insanların para tuttuğu müddetçe nominal kısa dönemli faiz oranının negatif olamayacağının bilindiğini ve insanların negatif faiz oranında yatırımlarını tutmaktansa yastık altında para tutmayı tercih edeceklerini söylemiştir ancak 1980 yıllarında Amerika’nın reel faiz oranlarının istikrarlı bir şekilde negatif seyrettiği tespit edilmiştir. Bu nedenle Black(1995) makalesinde kısa dönemli faiz oranı (faiz oranı pozitif veya sıfır iken) ya da döviz opsiyonu olmadığı takdirde kısa dönemli faiz oranı (faiz oranı negatif iken) süreçlerinin tamamını tek bir sayı ile ifade eden “gölge faiz oranı” tanımına yer vermiştir. Wu ve Xia(2017) çalışmalarında hem geleneksel hem de geleneksel olmayan para politikalarında kullanılabilecek gölge FED faiz oranını önermişlerdir.

Parasal genişleme ve kredi kolaylığı gibi geleneksel olmayan politikaların ekonomi üzerindeki etkisinin negatif gölge faiz oranı ile aynı olduğunu göstererek gölge faiz oranının bu tür politikaların istatistiki araştırmalarında daha kullanışlı olduğunu ileri sürmüşlerdir. Çalışmaya göre gölge faiz oranı, sıfır alt sınırına ulaşmadığında FED faiz oranı olarak; FED faiz oranı sıfır alt sınırına ulaştığında ise geleneksel olmayan politika araçlarının açıklanmasında negatif olarak yer alır. Çalışmanın 3 önemli sonucundan ilk olarak sıfır alt sınırında iken gölge faiz oranı, geleneksel olmayan para politikalarının genel ekonomideki yayılım kanalı olarak düşünülen finansal koşullar endeksi ve çeşitli özel sektör faiz oranları ile neredeyse tamamen aynı hareket eder. İkinci olarak, gölge faiz oranı FED’in bilançosu ile oldukça ilişkilidir ve parasal genişleme süreci boyunca -0.94 korelasyon ile geleneksel olmayan para politikalarının özeti olarak kabul edilmektedir. Üçüncü olarak da gölge faiz oranı, sıfır alt sınırından önce FED faiz oranının yaptığı gibi Taylor Kuralını takip etmektedir. Faiz oranı sıfır alt sınırında iken

62 negatif gölge faiz oranı, firmaların ve hanehalkının maruz kaldığı gerçek borç verme ve borç alma oranları olmamakla beraber FED’in doğrudan belirlediği bir oran da değildir ancak FED gölge faiz oranını gözlemler ve hedefler. Wu ve Xia(2017)’ya göre model linear olsa da olmasa da gölge faiz oranı, geleneksel olmayan para politika araçlarının istatistiki göstergesi görevi görmekte ve sıfır alt sınırında yapısal kırılmalar meydana getirmemektedir.

Analizde yer alan değişkenler ve değişkenlerin kodları Tablo 2’de yer almaktadır:

Tablo 2: Değişken İsim ve Kodları

Değişken İsmi Değişken Kodu

ABD M1 Büyüme Oranı DLM1_US

ABD M3 Büyüme Oranı DLM3_US

AB M1 Büyüme Oranı DLM1_EA

AB M3 Büyüme Oranı DLM3_EA

Türkiye M1 Büyüme Oranı DLM1_TR

Türkiye M3 Büyüme Oranı DLM3_TR

Türkiye Tüketici Fiyat Endeksi (2015=100) DLCPI_TR Türkiye Sanayi Üretim Endeksi (2015=100) DLIPI_TR

FED Gölge Faiz Oranı DIR_SSR_US

AMB Gölge Faiz Oranı DIR_SSR_EA

FED Bankalararası Gecelik Faiz Oranı DIR_IB_US AB Bankalararası Gecelik Faiz Oranı DIR_IB_EA TCMB ağırlıklı ortalama fonlama maliyeti DIR_CB_TR

Ham Petrol WTI Küresel Fiyatı DLOP_WTIC

Brent Petrol Küresel Fiyatı DLOP_BC

Enerji Küresel Fiyat Endeksi (2016=100) DLGPI_E Reel Efektif Döviz Kuru Oranı (2010=100) DLREER_TR1

Türkiye Toplam İşsizlik Oranı DLU_R_T

Türkiye Kadın İşsiz Oranı DLU_R_F

Türkiye Erkek İşsiz Oranı DLU_R_MT

Türkiye İstihdam Oranı LE_I

Türkiye Toplam İşsiz Sayısı DLU_L_T

Kodların başında yer alan “DL” logaritmik farkı ifade etmektedir.

Yapısal VAR modeli analizde yer alan değişkenlerin durağan zaman serisi olmasını gerektirmektedir. Değişkenlerin durağanlığını ölçmek ve modele hangi formda dahil edilmeleri gerektiğini belirlemek için ADF ve Phillips-Perron testleriyle araştırma gerçekleştirilmiştir. Test sonuçları tablo 3 ve 4’de yer almaktadır.

63 Tablo 3: Değişkenlerin Düzeyde Birim Kök Testi Sonuçları

Değişkenler Gecikme Uzunluğu

ADF Test Değeri

P-Değeri Phillips-Perron Test Değeri

P-Değeri

LE_I 8 -4.228160 0.0000 -2.974888 0.0000

LU_L_T 5 -3.325272 0.0656 -2.588079 0.2863

IR_SSR_EA 3 -3.501831 0.0422 -2.714349

0.2322

IR_SSR_US 1 -1.191436 0.6779 -1.066299 0.7286

IR_CB_TR 5 -1.924520 0.3205 -2.262102 0.1855

IR_IB_EA 6 -2.939765 0.1527 -2.112966 0.5347

LCPI_TR 4 0.354376 0.9988 -0.091196 0.9947

LGPI_E 2 -2.475008 0.1233 -2.332030 0.1631

LIPI_TR 4 -2.524877 0.3159 -2.542839 0.3073

LM1_EA 13 -2.094131 0.5449 -2.212139 0.4795

LM1_US 12 -2.756675 0.2157 -2.390861 0.3830

LREER_TR1 4 -2.406159 0.3751 -2.540970 0.3082

LOP_WTIC 2 -3.082423 0.0297 -2.649328 0.0851

LOP_BC 1 -2.764982 0.0654 -2.544127 0.1069

LU_R_T 11 -1.483471 0.5397 -1.276803 0.6400

LU_L_T

LU_R_F 4 -2.575429 0.2921 -2.176756 0.4991

LU_R_MT 11 -1.866126 0.3477 -1.582067 0.4896

LM3_EA 12 -4.054418 0.0088 -2.457631 0.3489

LM3_US 3 -2.355778 0.4015 -2.098078 0.5430

Uygun gecikme uzunluğu AIC kullanılarak maksimum gecikme 14 olmak üzere belirlenmiştir.

Tablo 3’deki ADF ve Phillips-Perron birim kök testi sonuçları incelendiğinde Türkiye istihdam oranı haricindeki logaritmik formdaki değişkenlerin birim kök içerdiği ve durağan olmadığı gözlemlenmiştir. Logaritmik formda olmayan AMB gölge faiz oranı ve TCMB ağırlıklı ortalama fonlama maliyeti verilerinin de birim kök içerdiği ve durağan olmadıkları tespit edilmiştir.

64 Tablo 4: Değişkenlerin Birinci Derece Farkta Birim Kök Testi Sonuçları

Gecikme Uzunluğu

ADF Test Değeri

P-Değeri Phillips-Perron Test Değeri

P-Değeri

DLE_I 14 -5.163553 0.0000 -4.401621 0.0000

DLU_L_T 3 -5.021287 0.0000 -13.46853 0.0000

DIR_SSR_EA 3 -5.824001 0.0000 -7.178101 0.0000

DIR_SSR_US 2 -8.845960 0.0000 -8.786684 0.0000

DIR_CB_TR 2 -4.772663 0.0000 -11.32477 0.0000

DLCPI_TR 11 -4.155249 0.0062 -10.91534 0.0000

DLGPI_E 0 -10.58412 0.0000 -10.61888 0.0000

DLIPI_TR 0 -17.53634 0.0000 -17.54594 0.0000

DLM1_EA 12 -3.213531

0.0206 -15.71442 0.0000

DLM1_US 11 -2.302453 0.1722 -17.49000 0.0000

DLREER_TR1 3 -9.087439 0.0000 -11.08041 0.0000

DLU_R_T 10 -4.282242 0.0000 -10.86434 0.0000

DLOP_WTIC 2 -8.217749 0.0000 -10.55520 0.0000

DLOP_BC 5 -6.543562 0.0000 -10.77345 0.0000

DLM3_US 0 -10.60019 0.0000 -10.56621 0.0000

DLM3_EA 14 -2.121529 0.0000 -12.66570 0.0000

Uygun gecikme uzunluğu AIC kullanılarak maksimum gecikme 14 olmak üzere belirlenmiştir.

Uygun gecikme uzunluğunun belirlenmesi analiz için önemli bir unsur olarak kabul edilmektedir. Çok fazla gecikmenin kullanılması serbestlik derecesinde kayba yol açmasının yanı sıra çoklu doğrusal bağlantı sorununa yol açabilmektedir. Çalışma kapsamında yer alan VAR modeller için uygun gecikme uzunluğunun belirlenmesi için yapılan testler sonucu uygun gecikme 3 olarak seçilmiştir (Tablo 5).

Çalışma kapsamında analizi yapılan modelde otokorelasyon sorunu olup olmadığını bulabilmek için LM Testi yapılmıştır (Tablo 6). Gecikme uzunluğu AIC ile belirlenen SVAR modelinin hata teriminde içsel bağıntı yoktur.

65