6.2. Vektör Otoregresif Seriler (VAR Modelleri)
İkinci bölümde, tek değişkenli hareketli ortalama (MA(q) serilerinden hareketle otoregresif zaman serisi modellerine geçiş yapılmıştı. Sonlu her q doğal sayısı için MA(q) modelinin durağan olduğunu biliyoruz.
Durağan her ARMA(p,q) modeli de MA(∞) şeklinde yazılabilir.
MA(∞) modelinin katsayıları özel olarak seçilerek, ARMA(p,q) modeline geçiş de yapılabilir. Çok değişkenli zaman serisi modellerinde bu geçişler biraz karmaşıktır.
Birinci dereceden vektör otoregresif (VAR(1)) zaman serisi modeli,
~ ( , )
t WN 0
e ve A da uygun boyutta bir matris olmak üzere,
1
t t t
X A X e
olarak verilir. Tek değişkenli zaman serilerinde olduğu gibi model
MA(∞) şeklinde yazılmak istenirse, X t bir dizi ardışık işlemden sonra,
1 2 1 2 2 1
2 3 2
3 2 1 3 2 1
4 3 2
4 3 2 1
0
...
t t t t t t t t t
t t t t t t t t
t t t t t
j t- j j
X A X e A A X e e A X Ae e
A AX e Ae e A X A e Ae e
A X A e A e Ae e
A e
ş eklinde yazılabilir. Bu yazılış ilk bakışta anlamlı ve kolay gibi görünmesine rağmen, işlemlerin yürütülmesi zordur. Bu ifade, bazı matris özellikleri yardımı ile biraz daha kolay hale getirilebilir. Herhangi bir A matrisinin,
A=Q M Q −1 şeklinde yazılabileceğini biliyoruz. Burada M , A nın özdeğerlerinden oluşturulan (özdeğerler farklı ise diagonal) bir matris,
Q da A nın öz vektörlerinden oluşturulan matristir. Q matrisi tek
değildir. Z t Q X 1 t dönüşümü ile,
1 1 1 1
1 1
1 1
1 1
t t t t t t
t t t t
Z Q X Q A X e Q A X Q e
Q Q M Q X M Z
eşitliğinden Z t M Z t 1 t modeline ulaşılır. Bu da modelin kanonik formudur. M matrisi (genellikle) diagonal olduğundan, bu gösterim serinin bileşenlerinin ayrı ayrı incelenmesine olanak sağlar. Ayrıca,
t t
X Q Z ters dönüşümü ile başlangıçtaki modele dönülebilir. Z t serisi durağan ise herhangi bir lineer birleşimi de durağan olacağından,
X t de durağandır. Dolayısı ile, serinin durağanlığı M matrisinin özelliklerine bağlıdır. A nın bütün öz değerleri mutlak değerce 1 den küçük ise verilen çok değişkenli zaman serisi modeli durağandır. Aksi halde durağan değildir.
1
t t t
X A X e şeklinde verilen VAR(1) modeline karşılık gelen karekteristik denklem det( A−λ I )=0 dir. Benzer şekilde VAR(p) modeli, e t ~ WN ( , ) 0 olmak üzere,
1 1 2 2 ...
t t t p t p t
X A X A X A X e
olup karekteristik denklemi,
1 2
1 2
det( p I p A p A ... A p ) 0 şeklindedir.
Örnek 6.2.1 İki değişkenli birinci dereceden vektör otoregresif zaman serisi modeli e t ~ WN ( , ) 0 olmak üzere,
1, 1, 1 1,
2, 2, 1 2,
0.2 0.4 1.2 1.6
t t t
t t t
X X e
X X e
olarak verilmiş olsun. Bu modele karşılık gelen karekteristik denklem,
2
det( ) det 0.2 0.4 1 0 det 0.2 0.4
1.2 1.6 0 1 1.2 1.6
(0.2 ) (1.6 ) 0.4(1.2) 1.8 0.8 0
A I
olup, kökler (öz değerler) λ 1 =1 , λ 2 = 0.8 dir. Buna göre, öz değerlerden biri 1 olduğundan model durağan değildir. Öz değerler matrisi,
1 0 0 0.8
M
olup, Q matrisi, bu öz değerlere karşılık gelen öz vektörlerden oluşturulur. Bu öz vektörleri u 1 ve u 2 ile gösterelim. λ 1 =1 öz
değerine karşılık gelen öz vektör, A u 1 =λ 1 u 1 eşitliğinin çözümünden elde edilir. Buna göre, Q matrisinin birinci sütun vektörü, λ 1 =1 için,
1,1 1,1 1,1 1,2 1,1
1 1,1 1,2 1,2
1,2 1,2
0.2 0.4 0.2 0.4
1.2 1.6 1.2 1.6
u u u u u
u u u
u u
denklem sisteminin çözümünden bulunur. Denklem sisteminin çözümü tek değildir. Çözüm için u 1,1 =1 denirse, u 1,2 =2 olur. Buradan,
λ 1 =1 öz değerine karşılık gelen öz vektör, u 1 (1 , 2 ) dir.
λ 2 =0.8 öz değerine karşılık gelen ikinci öz vektör için de
A u 2 = λ 1 u 2 denklemi çözülür. Bu
2,1 2,1 2,1 2,2 2,1
2 2,1 2,2 2,2
2,2 2,2
0.2 0.4 0.8
0.2 0.4
1.2 1.6 0.8
1.2 1.6
u u u u u
u u u
u u
denklem sisteminin çözümünden (yine tek değildir) elde edilir. u 2,1 =2
denirse u 2,2 =3 olur. Yani ikinci öz vektör, u 2 ( 2 , 3)
dür.
Buradan da, Q matrisinin ikinci sütun vektörü belirlenmiş olur. Böylece M , Q
ve Q −1 matrisleri sırası ile, 1 2
2 3
Q
,
1 3 2
2 1
Q
ve
1 0 0 0.8
M
şeklinde bulunmuş olur. Kolayca görüleceği gibi,
1 1 2 1 0 3 2 0.2 0.4
2 3 0 0.8 2 1 1.2 1.6
Q M Q A
dır. Z t Q X 1 t dönüşümü ile serinin kanonik formu,
1
t t t
Z M Z olur. M matrisi diagonal olduğundan kanonik formun bileşenleri,
Z 1 , t =Z 1 , t−1 + η 1 , t Z 2 , t =0.8 Z 2 , t−1 + η 2 , t
şeklinde yazılabilir. Bu bileşenler tek değişkenli zaman serileri olup Z 1, t
nin birim köklü, Z 2, t nin ise durağan olduğu açıktır. Başlangıçtaki seriye,
t t
X Q Z
1, 1, 2,
2, 1, 2,
1 2 2
2 3 2 3
t t t
t t t
Z Z Z
Z Z Z
şeklinde dönüş yapılabilir. Burada, X t nin her iki bileşeni durağan olmayan Z 1, t nin fonksiyonudur. Dolayısı ile, X t iki değişkenli zaman serisi durağan değildir. Buna göre, durağan olmayan iki değişkenli VAR(1) modelinin her iki bileşeni ( X 1, t ve X 2, t ) de durağan değildir. Diğer taraftan, ( 2, 1) için X t tek değişkenli zaman serisi
1,
2, 1,
2,
1, 2, 1, 2, 2,
( 2 , 1) 2
(2 3 ) 2( 2 )
t
t t t
t
t t t t t
X X X X
X
Z Z Z Z Z
şeklinde yazılabilir. Z 2 , t durağan olduğundan, Z 2,t de durağandır.
Sonuç olarak, X t serisinin kendisi durağan olmamasına rağmen,
X t
durağan olacak şekilde bir vektörü vardır ⊗
Bu örnekte de görüldüğü gibi, herhangi bir çok değişkenli zaman serisi
durağan değil ise, her bir bileşeni de durağan değildir. Ancak, bu önermenin
tersi doğru değildir. Yani, bileşenleri ayrı ayrı durağan olan çok değişkenli
zaman serisi durağan olmayabilir (Örnek 1.5.1).
Tanım 6.2.1 Durağan olmayan herhangi bir X t çok değişkenli zaman serisi için X t durağan olacak şekilde bir β vektörü varsa, X t serisine kointegrasyonludur (eşbütünleşiktir) denir. β vektörüne de kointegrasyon vektörü denir
Örnek (6.2.1) de iki değişkenli X t zaman serisi durağan olmamasına rağmen, ( 2,1) için X t durağandır. Yani, X t zaman serisi modeli ( 2, 1) kointegrasyon vektörü ile kointegrasyonludur.
Burada, kointegrasyon vektörünün tek olmadığını da belirtelim. X t durağan ise singüler olmayan herhangi bir B matrisi için,
1 t
B B X
de durağandır. Buna göre, ( B B 1 ) de başka bir kointegrasyon vektörüdür. Yani, kointegrasyon vektörü tek değildir. Ancak, birbirinden lineer bağımsız kointegrasyon vektörlerinin sayısı önemlidir.
Lineer bağımsız kointegrasyon vektörlerinin sayısı, kointegrasyon vektörünün tahmini ve verilen herhangi bir çok değişkenli zaman serisinin kointegrasyonlu olup olmadığının sınanması açısından önemlidir.
k− değişkenli VAR(1) zaman serisi modeli e t ~ WN ( , ) 0 olmak üzere, X t A X t 1 e t şeklinde verilmiş olsun. Seri durağan ise, istatistiki sonuç çıkarım açısından problem yoktur. Ancak seri durağan değilse, sonuç çıkarımlar için serinin durağanlaştırılması gerekir. Bunun için de serinin farkı alınır. Modelin her iki tarafından X t 1 çıkartılırsa,
Π= A−I olmak üzere model,
1 1 1 1
1 1
( )
X A X e X X A X X e
X A I X e
X X e
t t t t t t t t
t t t
t t t
şeklinde yazılabilir. Burada Π , k×k boyutlu bir matris olup
rank( Π )=r olsun. Buna göre,
a) r=k ise sistem (yani seri) durağandır,
b) r=0 ise sistem durağan değildir ve X t durağan olacak şekilde hiçbir β vektörü yoktur,
c) 0<r < k ise, olacak şekilde α ve β
vektörleri (veya matrisleri) vardır. Ayrıca, X t durağan olup α ¿ de
α vektörüne dik ( 0 ) bir vektör olmak üzere X t serisi birim köklüdür.
İki değişkenli durağan olmayan bir zaman serisi, durağan ve durağan olmayan iki tek değişkenli serinin lineer birleşimi şeklinde yazılabilir. İki değişkenli X t zaman serisinin bileşenleri X 1, t ve X 2 , t olsun.
Ayrıca, U t birim köklü zaman serisini (örnekteki Z 1, t ), S t de
durağan zaman serisini (örnekteki Z 2 , t ) göstersin. Yani, serinin kanonik formunun bileşenleri U ve t S olsun ( t Z t ( U S t , ) t ). O halde,
Q=
11 12
21 22
a a
a a
olmak üzere, serinin bileşenleri
X 1 , t =a 11 U t + a 12 S t , X 2 , t =a 21 U t +a 22 S t
şeklinde yazılabilir. Her iki bileşeni de U t nin bir fonksiyonu olduğundan bileşenleri X 1,t
ve X 2,t olan X iki değişkenli zaman serisi t durağan değildir. Ancak,
2, t ( 21 / 11 ) 1, t ( 22 ( 21 12 ) / 11 ) t t X a a X a a a a S cS
olduğundan, X 2 , t − ( a 21 / a 11 ) X 1, t fark serisi durağandır.
Kointegrasyon vektörünün belirlenmesi için yukarıdaki Q matrisinin
belirlenmesi, hatta Q matrisinin birinci sütun vektörünün belirlenmesi
yeterlidir. β kointegrasyon vektörü (veya Q matrisi) bir parametre
olduğundan tahmin edilmesi gerekir. Şimdi, yukarıda sözü edilen Π matrisine ait özellikleri aşağıdaki örnek üzerinde görelim.
Örnek 6.2.2 İki değişkenli vektör otoregresif zaman serisi modeli e t ~ WN( 0 , Σ) olmak üzere,
1, 1, 1 1,
2, 2, 1 2,
1.4 0.8
6 3
t t t
t t t
X X e
X X e
şeklinde verilsin. det( A−λ I )=λ 2 −1.6 λ+0.6 =0 karekteristik denkleminin kökleri λ 1 =1 ve λ 2 =0.6 olup köklerden biri 1 dir.
Yani, seri durağan değildir. A =Q M Q −1 olacak şekilde Q ve M matrisleri,
1 2
3 5
Q
,
1 5 2
3 1
Q
,
1 0
0 0.6
M
şeklindedir. Z t Q X 1 t dönüşümü ile elde edilen ( Z t M Z t 1 t ) kanonik formun bileşenleri de,
Z 1 , t =Z 1 , t−1 + η 1 , t , (birim köklü)
Z 2 , t =0.6 Z 2 , t−1 + η 2 , t , durağan
şeklindedir. X t Q Z t ters dönüşümü ile orjinal serinin bileşenleri,
X 1 ,t =Z 1 ,t +2 Z 2 , t X 2 ,t =−3 Z 1 ,t −5 Z 2,t
olup, her iki bileşen de Z 1, t nin fonksiyonu olduğundan durağan değildir.
Ayrıca, X 2 , t +3 X 1, t = Z 2 ,t olduğundan (3,1) olmak üzere,
X t
durağandır. Yani, X t serisi kointegrasyonludur.
Şimdi, X t A X t 1 e t şeklindeki VAR(1) modelini göz önüne alalım.
Her iki taraftan X t 1 çıkartılarak, Π= A−I olmak üzere,
1
t t t
X X e
modeli elde edilir. Burada, matrisi
1.4 0.8 1 0 2.4 0.8
6 3 0 1 6 2
A I
0.8 3 1 2
şeklinde yazılabilir. Önce β X t nin durağan olduğunu, sonra da
t
X
lineer dönüşümünün birim köklü olduğunu gösterelim.
a) β X t X 2, t 3 X 1, t
olup X t A X t 1 e t eşitliğin her iki tarafı β vektörü ile çarpılırsa
1, 1 1,
2, 1,
2, 1 2,
1, 1
2, 1 1, 1
2, 1
1.4 0.8
3 3,1 3 ,1
6 3
1.8, 0.6 0.6 3
t t
t t
t t
t
t t t t
t
X e
X X
X e
X X X
X
eşitliği elde edilir. Yani, ( X 2, t 3 X 1, t ) 0.6( X 2, 1 t 3 X 1, 1 t ) t modeline ulaşılır. Buradan, Y t β X t X 2, t 3 X 1, t
denirse model
Y t =0.6 Y t−1 +η t olur. Bu tek değişkenli AR(1) modeli (
1
t t t
Y Y ) modeli 1
için durağandır. Yani β X t serisi
durağandır. Buna göre, olarak yazıldığında β X t durağan
olacak şekilde vektörü belirlenmiş olur.
b) t ' X lineer dönüşümü durağan değildir. (1,0.4) için
α ¿ ' α =0 olup, ' X t X 1, t 0.4 X 2, t dir. Buna göre, ' X t dönüşümü açık yazıldığında,
1, 1 1,
1, 2,
2, 1 2,
1.4 0.8
0.4 1 0.4 1 0.4
6 3
t t
t t
t t
X e
X X
X e
1, 1 1, 2,
2, 1
1 0.4 t t t 0.4 t t
t
X X X
X
elde edilir. Buradan,
' X 1, 0.4 2,
t t t t
W X X denirse, dönüşüm
W t =W t−1 + ζ t haline gelir. Bu tek değişkenli AR(1) modeli durağan değildir. Yani, ' X t ' X t 1 ' e t veya W t =W t−1 + ζ t
zaman serisi modeli durağan değildir ⊗
Durağan olmayan herhangi bir vektör otoregresif serisinin bileşenleri durağan ve durağan olmayan (birim köklü) serilerin lineer birleşimi olarak yazılabildiğini biyoruz. Bunun için T ( ' : ' ) olmak üzere
t t
Y T X dönüşümü kullanılabilir. Buradaki T matrisi singüler
değildir. U t birim köklü (durağan olmayan ) seriyi, S t de durağan zaman serisini ifade etmek üzere, Y t T X t serisinin bileşenleri U t
ve S t nin lineer birleşimi olarak yazılır. T matrisi α ve β
vektörleri ile oluşturulduğu için tek değildir.
Bir önceki örnekte T matrisi, 1 0.4 ( : )
3 1
T
olarak seçilirse,
( : ) ( : ) t
t t t t t
t
U S
t t
Y T X X X X X
X
olur. X t T Y 1 t ters dönüşümü ile orjinal serinin bileşenlerinin durağan ve durağan olmayan serilerin lineer birleşimi şeklinde yazılabileceği açıktır.
Yukarıdaki örneğe geri dönersek, 1 0.4
3 1
T
ve
1 5 2
15 5
T
olup, Y t ( , ) U S t t ve X t ( X 1, t , X 2, t )
olduğundan,
1, 1 2,
5 2
5 2
15 5 15 5
t t t t
t t
t t t t
X U U S
X S U S
X T Y
bulunur. Yani, bileşenleri X 1,t ve X 2,t olan iki boyutlu zaman serisi U t ve S zaman serileri türünden, t
1, 2,
5 2
15 5
t t t
t t t
X U S
X U S
olarak yazılır. T matrisi biliniyorsa geçişler kolaydır. Şimdi, T matrisi
T −1 =
11 12
21 22
a a
a a
olarak verilmiş olsun. O zaman, iki değişkenli durağan olmayan vektör otoregresif zaman serisinin bileşenleri
X 1 ,t =a 11 U t + a 12 S t X 2 , t =a 21 U t +a 22 S t
şeklinde yazılabilir. Bu gösterim çok değişkenli (daha yüksek boyutlu) daha yüksek dereceden otoregresif zaman serileri için de geçerlidir. Buna göre,
X 2 , t −( a 21 / a 11 ) X 1 , t =( a 22 −a 21 / a 11 ) S t
olduğundan, durağan olmayan X t serisi için a ( 21 / a 11 ,1) olarak seçildiğinde β X t
durağandır. İki değişkenli serinin bileşenlerinin her ikisi de durağan olmayan U t serisinin lineer birleşimi olduğundan
X t durağan değildir. Durağan olmayan serinin bu şekilde durağan ve
durağan olmayan kısımlarının ayrıldığı bu lineer birleşimi sağlayan T
matrisidir. Bu T matrisinin bilinmesi durumunda serinin kointegrasyonlu
olup olmadığına karar verilebilir. Aksi halde, T matrisi bir parametre
olup tahmin edilmesi gerekir. Oysa, örnekte de görüldüğü gibi, bu matrisin
bütün elemanlarını (satır ve sütun elemanları) tahmin etmek yerine bir
kısmının tahmin edilmesi kointegrasyon vektörünün bulunması için
yeterlidir. İki değişkenli bu model için a 21 / a 11 oranının tahmin edilmesi yeterlidir. Daha önce de belirtildiği gibi yöntem daha yüksek boyutlu seriler için geçerli olduğu gibi daha yüksek dereceden modeller için de geçerlidir.
Şimdi bunları birer örnek üzerinde görelim.
Örnek 6.2.3 Üç değişkenli birinci dereceden vektör otoregresif zaman serisi
modeli e t ~ WN ( , ) 0 olmak üzere,
1, 1, 1 1,
2, 2, 1 2,
3, 3, 1 3,
0.7 0.4 0.1 0.2 1.2 0 0.2 0.4 0.8
t t t
t t t
t t t
X X e
X X e
X X e
şeklinde verilsin. A nın özdeğerleri için A− λ I matrisini açık olarak,
0.7 0.4 0.1 1 0 0 0.7 0.4 0.1
0.2 1.2 0 0 1 0 0.2 1.2 0
0.2 0.4 0.8 0 0 1 0.2 0.4 0.8
A I
şeklinde yazalım. Bu matrisin determinantı
det ( A−λ I )=−λ 3 +2.7 λ 2 −2.42 λ+0.72
olup öz değerler, −λ 3 +2.7 λ 2 −2.42 λ+0.72=0 denkleminin kökleridir. Denklemin çözümünden öz değerler λ 1 =1 , λ 2 =0.8 ve λ 3 = 0.9 olarak bulunmuştur. Köklerden biri 1 olduğundan,
1
t t t
X A X e şeklinde verilen VAR(1) modeli durağan değildir.
Buradan, A Q = Q M olacak şekilde Q ve M matrisleri bulunabilir. Q singüler olmayan bir matris olup Z t Q X 1 t dönüşümü ile serinin kanonik formu elde edilir. Q ve M matrisleri,
1 2 3 1 1 2 1 2 2
Q
,
1 0 0
0 0.8 0 0 0 0.9
M
olarak bulunmuş ve Z t Q X 1 t dönüşümü ile kanonik formun bileşenleri de,
Z 1 ,t =Z 1 ,t−1 + η 1,t , birim köklü
Z 2 ,t =0.8 Z 2 ,t−1 + η 2,t , durağan
Z 3 ,t =0.9 Z 3 ,t−1 + η 3 ,t , durağan
şeklinde elde edilmiştir. Serinin bileşenleri ( X t Q Z t dönüşümü ile) de
X 1 ,t =Z 1 ,t +2 Z 2 ,t + 3 Z 3 ,t X 2 ,t =Z 1 ,t + Z 2,t +2 Z 3 ,t X 3 ,t =Z 1 , t +2 Z 2,t +2 Z 3 ,t
şeklinde kanonik formun lineer birleşimidir. Bu lineer birleşimlerin her biri, durağan olmayan Z 1,t yi içerdiğinden durağan değildir. Π= A−I matrisi ile serinin durağan ve durağan olmayan lineer birleşimleri elde edilir.
Burada Π= A−I matrisi,
Π=A−I= [ 0.7 0.4 −0.1
−0.2 1.2 0.0
−0.2 0.4 0.8 ] − [ 1 0 0 0 1 0 0 0 1 ] = [ −0.3 0.4 −0.1
−0.2 0.2 0.0
−0.2 0.4 −0.2 ]
olarak bulunmuştur. Bu 3×3 boyutlu matris singüler olup, rankı 2 dir.
matrisi 3×2 ve 2×3 boyutlu iki matrisin çarpımı olarak yazılabilir. Bu matrisler,
2 3
3 3 3 2
0.3 0.4 0.1
1 1 0 0.2 0.2 0.0
1 0 1
0.2 0.4 0.2
0.4 0.1 0.2 0.0 0.4 0.2
şeklindedir. Buna göre, X t A X t 1 e t modeli ele alındığında,
X t nin durağan, X t serisinin de durağan olmadığını görmemiz
gerekir.
a) Önce X t serisinin durağan olduğunu görelim. Bunun için
1
t t t
X A X e modelini ele alalım. Her iki tarafı ile çarpılırsa model X t A X t 1 e t şekline dönüşür. Burada, A matrisi
2 3 3 3
0.7 0.4 0.1
1 1 0 0.9 0.8 0.1
0.2 1.2 0.0
1 0 1 0.9 0.0 0.9
0.2 0.4 0.8 0.8 0.1 1 1 0
0.0 0.9 1 0 1 A
C
olduğundan model X t C X t 1 e t şeklinde yazılabilir. Buradan W t X t denirse, yeni model W t CW t 1 t olur. C
matrisinin öz değerleri 0.8 ve 0.9 olup model durağandır.
b) Şimdi de Y t X t serisinin durağan olmadığını gösterelim.
Bunun için önce α ya dik matris 2 2 1
2 2 1
olarak seçildiğinde,
2 3
3 2
0.4 0.1
2 2 1 0 0
0.2 0.0
2 2 1 0 0
0.4 0.2
olduğu görülür. matrisinin lineer bağımsız satırlarının sayısı 1 dir.
1
t t t
X A X e modeli ele alınıp eşitliğin her iki tarafı ile çarpılırsa model X t A X t 1 e t olur. Buradan,
A
olduğu
2 3 2 3 3 3
0.7 0.4 0.1
2 2 1 2 2 1
0.2 1.2 0.0
2 2 1 2 2 1
0.2 0.4 0.8
A
matris çarpımından açıktır. Buradan da, model X t X t 1 e t şeklinde yazılabilir. Y t X t denirse model, Y t Y t 1 t olur. Bu model de durağan değildir. Burada, Y t durağan olmayan zaman serisinin her iki bileşeni de aynıdır ( matrisinin lineer bağımsız satırlarının sayısı 1 dir). Bu nedenle, durağan olmayan bu seriyi Y t =Y t−1 +ζ t
şeklinde tek değişkenli bir zaman serisi olarak almak daha anlamlıdır.
c) T ( : ) ve T −1 matrisleri, 2 2 1
( : ) 1 1 0
1 0 1
T
,
T −1 = [ 1 −2 −1 1 −1 −1 1 −1 0 ]
olmak üzere,
2 2 1 1 1 0 1 0 1
t t
W T X [ X X X 1, t 2, t 3, t ]
U
tS
1 ,tS
2 ,trigh ¿
¿ ¿
¿
[¿
] [¿
]¿
= [ X
3 ,t+2 X X
2 ,t3 , tX − −
2 , tX X −2 X
1 , t1 , t 1 , t] =¿ ¿
¿
dönüşümü orijinal serinin durağan ve birim köklü lineer birleşimlerini ayırmaktadır ⊗
Buraya kadar, birinci dereceden vektör otoregresif zaman serisi modeli incelendi. Tek değişkenli zaman serilerinde olduğu gibi yüksek dereceden modeller ele alınabilir. Yüksek dereceden modeller de VAR(1) modeli gibi yazılabilir. Örneğin, e t ~ WN ( , ) 0 olmak üzere, VAR(p) modeli,
1 1 2 2 ...
t t t p t p t
X A X A X A X e
şeklinde verilmiş olsun. Bu model, VAR(1) şeklinde ifade edilebilir. Bunun için, değişkenler ve parametre matrisi
*
1 ... 1
t t t t p
X X X X
, e * t e t 0 0 ... 0
ve
1 2 3 . . 1
0 0 . . 0 0
0 0 . . 0 0
. . . . .
. . . . .
0 0 0 0 0
0 0 0 0
p p
A A A A A
I I A
I
olarak seçildiğinde, verilen VAR(p) modeli X t * A X t * 1 e t * şeklinde VAR(1) modeline dönüşür. Böyle bir yazılış ile, serinin VAR(p) veya VAR(1) olarak modellenmesinde karekteristik kökler aynıdır. Ayrıca, parametre matrisinin EKK tahmin edicisinin hesaplanması kısmen kolaydır.
Vektör ARMA modelleri, tek değişkenli serilerde olduğu gibi, durağanlık modelin AR kısmının karekteristik denkleminin köklerine bağlıdır. Bu nedenle, vektör ARMA serileri üzerinde fazla durulmayacaktır. Vektör ARMA zaman serisi modeli de VAR(1) gibi yazılabilir.
Örnek 6.2.4 İki değişkenli VAR(2) modeli e t ~ WN ( , ) 0 olmak üzere,
X1 ,t X2 ,t
¿ rig¿¿¿ h
[] =[10..41¿ 01.. 31 ] X1,t−1
X2,t−1
¿ rig¿¿ h
¿
[] −[00.. 4086¿ 00..1228 ] X1,t−2
X2,t−2
¿ rig¿¿¿ h [] +
¿ e1 ,t e2¿,t
¿ [¿ ]¿
¿
¿
şeklinde verilmiş olsun. İki değişkenli VAR(2) modelinin dört değişkenli VAR(1) modeli olarak yazılabileceğini ve VAR(2) modeline karşılık gelen karekteristik denklem ile VAR(1) modeline karşılık gelen karekteristik denklemin aynı olduğunu görelim. Önce iki değişkenli VAR(2) modeline karşılık gelen karekteristik denklem, det( λ 2 I 2 − λ A 1 − A 2 )=0 olup,
bu determinantı hesaplamak için 2 I 2 A 1 A 2 matrisi,
2 2
2
2
0 1.4 0.3 0.48 0.12 0.1 1.1 0.06 0.28 0
1.4 0.48 0.3 0.12 0.1 0.06 1.1 0.28
olarak yazıldığında matrisin determinantı,
2 2 1 2
4 3 2
det( ) ( 0.6) ( 0.8) ( 0.7) ( 0.4)
(0.3 0.12) (0.1 0.06)
2.5 2.27 0.89 0.1272
I A A
olur. Modeli yukarıdaki gösterime göre VAR(1) olarak yazıp karekteristik denklemini bulalım. Bunun için,
A= [ −I A 1 A 0 2 ] = [ −1.4 −0.3 0.48 0.12
−0.1 −1.1 0.06 0.28
−1 0 0 0
0 −1 0 0 ]
olup,
* t t 1
X t X X X 1, t , X 2, t , X 1, 1 t , X 2, 1 t ve
* t t 0
e e ( e e 1, t , 2, t , 0, 0)
yazıldığında yeni model, X t * A X t * 1 e t * olur. Bu modelin karekteristik denklemi ise, det( λ I 4 − A )=0 dir. Bu modelin karekteristik denklemi için I 4 A matrisi
4
0 0 0 1.4 0.3 0.48 0.12 0 0 0 0.1 1.1 0.06 0.28
0 0 0 1 0 0 0
0 0 0 0 1 0 0
I A
1.4 0.3 0.48 0.12 0.1 1.1 0.06 0.28
1 0 0
0 1 0
dir. Modelin karekteristik denklemi, bu matrisin determinantıdır. Buradaki 4×4 boyutlu matrisin determinantı,
1 2 3 4 2
0.48(0.28) 0.12(0.06) 0.1272
0.3(0.06) 0.48( 1.1) 0.48 0.51 0.28( 1.4) 0.1(0.12) 0.28 0.38 ( 1.4)( 1.1) 0.03 2.5 1.51 D
D D D
olmak üzere,
4
2
0.3 0.48 0.12 1.4 0.3 0.12
det( ) det 1.1 0.06 0.28 det 0.1 1.1 0.28
1 0 0 1
det det
det det
0.48 0.12 0.3 0.48 0.06 0.28 1.1 0.06
1.4 0.12 1.4 0.3
0.1 0.28 0.1
I A
1 2 3 2 4
1.1 D D D D
olarak bulunmuştur. D i değerlerinin yerine konursa iki denklemin aynı olduğu görülür. Yani,
4 3 2
4
2
2 1 2
det( ) 2.5 2.27 0.89 0.1272
det( )
I A
I A A
iki değişkenli VAR(2) modelini dört değişkenli VAR(1) modeli şeklinde yazıldığında, karekteristik denklemler aynıdır ⊗
Herhangi bir VAR(p) modelinin VAR(1) olarak yazılması, işlemlerin daha
kolay yürümesi açısından önemlidir. VAR(p) şeklinde yazılan bir modelin
gecikme derecesinin belirlenmesi gerekir. Çok değişkenli VAR
modellerinde, gecikme derecelerinin belirlenmesi tek değişkenli zaman serilerinde olduğu gibi kolay değildir. Burada, işlemlerin daha kolay yürümesi açısından sadece VAR(1) modeli üzerinde durulmuştur.
Son olarak, iki değişkenli ARMA(1,1) modelini ele alalım. Bu model
~ ( , )
e t WN 0 olmak üzere,
X1 ,t X¿2 ,t rig¿ h
¿
¿
[] =[ 00.. 53¿ 00 .. 35 ] X1 ,t−1
X2¿,t−1 rig¿¿¿ h
e1 ,t e2¿,t rig¿ h
¿
¿
[ ] +[ 00. 2¿ 00. 1 ] e1 ,t−1
e2 ,t−1
¿ r[ ¿ig¿] ¿h
¿ ¿
olarak verilmiş olsun. Modeli matris ve vektörler türünden
1 1
t t t t
X A X e B e
olarak yazalım. A matrisinin öz değerleri (
2
det( A I 2 ) 0.16 0
denkleminin kökleri ) λ 1 =0.2 ve λ 2 =0.8 olup, her ikiside mutlak değerce 1 den küçüktür. Yani model durağandır.
6.3. Vektör Otoregresif Serilerde Tahmin
Tek değişkenli zaman serilerinde olduğu gibi, vektör zaman serilerinde de parametre değerleri verildiğinde serinin durağanlığı kolayca görülür. Çok değişkenli zaman serilerinde en önemli amaç serinin bileşenleri arasında öngörülebilir yani durağan lineer birleşimin araştırılmasıdır. Başka bir deyişle, serinin bileşenleri arasındaki kointegrasyon ilişkisinin belirlenmesidir. Böyle bir ilişki belirlendiği zaman, serinin durağan lineer birleşimleri üzerinden istatistiki sonuç çıkarımlar yapılır.
1
t t t
X A X e olarak verilen VAR(1) modeli için A matrisi
biliniyorsa, bu ilişkinin belirlenmesi kolaydır. A matrisi bilinmiyorsa da
tahmin edilmesi gerekir. Değişik tahmin yöntemleri bulunmakla birlikte, tek
değişkenli serilerde olduğu gibi VAR(1) modeli de, çok değişkenli regresyon
modeline benzer. Buradan, A nın EKK tahmin edicisi çok değişkenli
regresyon teknikleri ile elde edilir. VAR(1) modeli, e t ~ WN ( , ) 0
olmak üzere,
1 ,
t t t
X A X e t=1, 2, 3, ..., n
şeklinde verilmiş olsun. Bu gözlemlere göre, A nın EKK tahmin edicisi,
1
1 1 1
1 1
ˆ n n
n t t t t
t t
A X X X X
dir. Bu tahmin edici X t yerine A X t 1 e t yazıldığında,
1
1 1
1 1
1 1
1 1 1
1 1 1 1
1 1
1 1 1 1
ˆ n n
n t t t
t t
n n n n
t t t t
t t t t
t t
t t t t
A AX e X X X
A X X X X e X X X
1 1
1 1
1 1
n n
t t
t t
t t
A e X X X
olarak yazılabilir.
Örnek 6.3.1 Türkiye’nin 1923-2003 dönemi yıllık ihracat ve ithalat miktarlarını (ABD Doları) göz önüne alalım. İhracat ( X ) ve ithalat ( t Y ) t miktarlarının yıllara göre değerleri aşağıdadır.
Seri ACF PACF
X t
0 10 20 30 40 50 60 70 80
121416
Lag
ACF
0 5 10 15
-0.20.00.20.40.60.81.0
S eries : x
Lag
Partial ACF
0 5 10 15 -0.20.00.20.40.60.81.0 Series : x
Y t
0 10 20 30 40 50 60 70 80
12141618
Lag
ACF
0 5 10 15
-0.20.00.20.40.60.81.0
Series : y
Lag
Partial ACF
0 5 10 15 -0.20.00.20.40.60.81.0 S eries : y