Hareketli ortalama serilerinde parametre tahmini, AR serilerine göre daha karmaşıktır. AR modelleri regresyon modeline benzediği için tahmin yapmak kısmen kolaydır. Xt et et1,t1, 2,3,...,n şeklinde verilen MA(1) zaman serisinin otokorelasyon fonksiyonu,
2
1 , 0
( ) /(1 ) , 1
0 , . .
h
h h
d d
şeklindedir. Otokorelasyonların nasıl tahmin edileceği bir önceki kısımda incelendi. Oradan elde edilen tahmin değerleri fonksiyonda yerine konularak, β nın tahmin değeri bulunabilir. Ancak, bu fonksiyonun bir otokorelasyon fonksiyonu olabilmesi için |β|<0.5 olması gerekir. O zaman bulunan tahmin değerleri için bu koşul dikkate alınmalıdır.
Otokorelasyon fonksiyonunun tahmin edicisi,
1 2
1
1 1
ˆ (1) ( ) ( ) ( )
n n
n t n t n t n
t t
X X X X X X
olup bu tahmin edici,
1
2 1
1 1
ˆ (1) n ( t n) n ( t n)( t n) (1) P 1
t t
X X X X X X O
n
şeklinde yazılabilir. (1)/(12) eşitliği, (1) 2 (1) 0
şeklinde ikinci dereceden denklemin
çözümünden β nın tahmin edicisi,
^β1,2=
[
2 ^ρ (1)]
−1[
1±√
1−4 ^ρ2(1)]
şeklinde bulunabilir. |β|<0.5koşulu dikkate alındığında tahmin edici (Fuller, 1996, s.422),
1 2
1,2
ˆ ˆ ˆ
2 (1) 1 1 4 (1) , 0 | (1) | 0.5
ˆ 1 , ˆ(1) 0.5
1 , ˆ(1) 0.5
0 , d d. .
şeklinde olur.
Örnek 3.5.1 et~ WN (0 , σ2) olmak üzere, MA(2) zaman serisi modeli Xt et 1et12et2,t1, 2,3,...,n şeklinde verilsin.
μ parametresinin tahmini için örneklem ortalaması kullanılabilir.
Durağan zaman serilerinde örneklem ortalamasının kitle ortalaması için tutarlı olduğu gösterilmişti. Basit aritmetik işlemlerden sonra örneklem ortalaması,
1 1 2 2
1 1
0 1 0 1
1 2 1 2
1
1 2 1 2
1
1 1
( )
1 (1 )
1 (1 ) (1 )
n n
n t t t t
t t
n n n n
t t
n
t n n n
t
X X e e e
n n
e e e e e e
n e n n
e R e R
n
şeklinde yazılabilir. Burada, Rn=β1e0−en
n +β2e−1+e0−en−1−en
n ve ¯en=1
n
∑
t=1 n
et
dir. E R( ) 0n ve sabit bir c sayısı için
( )n / 2
Var R c n dir.
Buradan, Rn OP(1/ )n elde edilir. et ~WN(0 ,2) olduğundan (1/ )
n P
e O n olup n için
1 2
(1 ) P 0
n n n
X e R
olasılıkta yakınsama elde edilir. Yani, n iken X¯n⃗P μ olup,
örneklem ortalaması kitle ortalamasına olasılıkta yakınsar. Ayrıca,
√n (X¯n−μ)=(1+ β1+β2) √n ¯en+√n Rn
yazılabilir. Buradan,
√n Rn=OP(1/√n) ve n→∞ iken
√n ¯en ⃗DN (0 , σ2)
olduğundan Slutsky teoremine göre n→∞ iken,
√n (X¯n−μ)⃗DN(0 , (1+ β1+β2)2σ2 )
dağılımda yakınsama elde edilir. Bu asimptotik özelliğin geçerli olabilmesi için β1+β2≠−1 olmalıdır ⊗
Örnekteki sonuç yüksek dereceden MA modelleri için de geçerlidir.
MA(q) zaman serisi modeli et~ WN (0 , σ2) ve βq≠0 olmak üzere,
1 1 2 2 ...
t t t t q t q
X e e e e
şeklinde ise, n→∞ iken X¯n⃗P μ dir.
β1+β2+. ..+βq≠−1 için n→∞ iken,
√n (X¯n−μ)⃗DN(0 , (1+ β1+β2+. ..+ βq)2σ2)
dağılımda yakınsama yazılabilir. et~ WN (0,σ2) ve βq≠0 olmak
üzere MA(q) zaman serisi modeli,
1 1 2 2 ...
t t t t q t q
X e e e e
şeklinde verilmiş olsun. Bu modele karşılık gelen karekteristik denklem
mq+
∑
i=1 q
βimq−i=0
olup, modelin tersinir (denklemin bütün kökleri mutlak değerce 1 den küçük) olduğunu kabul edelim. Bu durumda model,
Xt=−
∑
i=1
∞
ci Xt−i+et
şeklinde yazılabilir. Buradaki katsayılar, c1=−β1 , c2=−β2−β1c1
ve diğerleri ,
3 3 1 2 2 2
1 1 2 2 1 1
1
. .
... ,
, 1, 2,...
q q q q q
q
i m i m
m
c c c
c c c c
c c i q q
şeklindedir. Bunlardan belirli sayıdaki (ilk k tanesi) kullanılarak seri için
Xt≃−
∑
i=1 k
ci Xt−i+et
yaklaşımı ele alınabilir. Bu yaklaşıma göre MA(q) ile modellenmiş Xt
serisi AR(k) gibi düşünerek, ci, i=1,2, ...,k katsayılarının tahmin
değerleri hesaplanır. Elde edilen c^i ler c^i=−
∑
s=1 q
c^i−sβs
eşitliklerinden ^βs tahminleri bulunur. Bu denklem sisteminin çözümü pratik değildir. Bu katsayılar için −^ci lerin c^i−1, ^ci−2,..., ^ci−q, i=1,2,...,q üzerine regresyonu kullanılarak tahmin değerleri hesaplanır. Burada,
−^ci=β1^ci−1+β2c^i−2+. ..+βqc^i−q+ζi , i=1,2, .. . , q
regresyon denklemi yardımı ile ^βs tahmin değerleri hesaplanır.
Görüldüğü gibi, MA serilerinde tahmin edicilerin elde edilmesi karmaşıktır. Tahmin edicilerin bulunma yöntemleri ve asimptotik özellikleri (Fuller, 1996, s.421-442) de incelenmiştir. İstatistik paket programlar (SAS
gibi) kullanılarak bu tahmin değerleri doğrudan hesaplanır. Örneğin, SAS da ARMA(2,3) modelinin parametreleri,
data a; input x; cards;
. veriler .
;
proc arima; i var=x; e p=2 q=3; run;
programı çalıştırılarak hesaplanabilir. Programda yer alan komutları ayrı ayrı açıklayalım. SAS da bir programı çalıştırmak için önce analizlerin yapılacağı verilere bir isim verilir. Programdaki, ”data a” komutu ile kullanacağımız veriler “a” olarak adlandırılmıştır. Daha sonra değişken ismi girilir. Burada
“input x” komutu ile değişken ismi “x” olarak seçilmiştir. Sonra “cards”
yazılarak programda verildiği gibi veriler girilir. Veriler girildikten sonra analiz kısmına geçilir, “proc arima” komutu zaman serilerinde standart analizlerin yapılabilmesi için kullanılan komuttur. “i var = x” komutunda analizlerin yapılacağı değişken belirlenir. Buradaki “i“ komutu “identify”
anlamındadır. Bu komutun yazılması ile, SAS’da otokorelasyon ve kısmi otokorelasyon fonksiyonlarının değerleri hesaplanarak grafikleri çizilir. Bu grafiklere bakarak sezgisel olarak modelin AR, MA veya ARMA türlerinden biri olacağına ve model derecelerinin neler olabileceğine karar verilir. Daha sonra “e p=2 q=3” komutu yazılarak verilerin ARMA(2,3) olarak modellenecegi belirtilir. Buradaki “e” komutu “estimate” anlamındadır ve çıktı olarak parametrelerin tahmin değerleri hesaplanır. Bu komut ile, bir sonraki bölümde göreceğimiz model belirleme kriterlerinden AIC ve SBC istatistiklerinin değerleri de hesaplanır.
Örnek 3.5.2 Rasgele üretilen 50 veri satırlar halinde aşağıdadır. Bu verilerin SAS da analizlerini yapıp çıktılarını inceleyelim.
17.4 16.3 15.0 13.8 13.5 14.4 14.4 13.7 11.6 10.6 11.8 12.7 11.9 10.8 11.4 13.6 18.1 20.7 22.4 25.1
27.7 29.5 30.0 27.9 26.7 23.8 21.0 18.8 18.7 17.2
14.9 13.1 11.7 10.1 9.9 9.9 9.0 9.1 8.3 7.3
5.9 5.6 7.6 8.7 11.1 10.9 11.5 12.5 13.5 15.3
Bu veriler için aşağıdaki programı çalıştıralım. Program çalıştırılırken, açıklama yapılmak isteniyorsa bu açıklamalar /*…*/; komutları arasına yazılır. Bu açıklamalar komut olarak dikkate alınmaz. Ayrıca, “input x @@”
komutunda kullanılan “@@” ile veriler satır halinde girilebilir.
data ornek; /* veriler ornek olarak tanımlandı*/;
input x@@; cards; /* cards komutu kullanıldıktan sonra veriler girilmelidir. Değişkenler üzerinde dönüşüm yapılmak isteniyorsa, “cards”
komutu kullanılmadan önce yapılmalıdır. */;
17.4 16.3 15.0 13.8 13.5 14.4 14.4 13.7 11.6 10.6 11.8 12.7 11.9 10.8 11.4 13.6 18.1 20.7 22.4 25.1 27.7 29.5 30.0 27.9 26.7 23.8 21.0 18.8 18.7 17.2 14.9 13.1 11.7 10.1 9.9 9.9 9.0 9.1 8.3 7.3 5.9 5.6 7.6 8.7 11.1 10.9 11.5 12.5 13.5 15.3
;
proc arima; i var=x;
e p=2 q=1; /* verilerin ARMA(2,1) olarak modellenmesi istenmektedir */; run;
Bu program çalıştırıldığında çıktılar aşağıdaki gibi olacaktır.
Tablo A) Verilerin aritmetik ortalaması ve örneklem varyansı bu tabloda verilmiştir. Buradaki örneklem ortalaması ile (14.928) Tablo (I) de verilen
“Estimated Mean” karıştırılmamalıdır.
Tablo B, C ve D sırası ile otokorelasyon, ters (inverse) otokorelasyon ve kısmi otokorelasyon fonksiyonlarının tahmin değerleri ile bunların grafiklerini içermektedir. Bu grafiklere bakılarak model türü ve dereceleri hakkında bir fikir sahibi olunur. Bu grafiklerde, otokorelasyon ve kısmi otokorelasyonlar için %95 lik güven bantları da verilmektedir.
Modelde hata terimlerinin beyaz gürültü serisine uygun olup olmadığını sınamak için önerilen ki-kare test istatistiklerinin değerleri Tablo E de verilmiştir.
Tablo F de koşullu en küçük kareler yöntemi ile elde edilen tahminler, bunların standart hataları ve t− istatistiklerinin değerleri ile model seçim kriterlerinden AIC ve SBC istatistiklerinin değerleri bulunmaktadır.
Tablo G ve H sırası ile tahmin edilen parametrelere ilişkin korelasyon matrisi ile modelden elde edilen artıklar serisinin beyaz gürültü serisi olup olmadığını sınamak için ki-kare istatistiğinin değerlerini içermektedir.
Veriler ARMA(2,1) olarak modellendiğinde, parametre tahminleri Tablo (I) da verilmiştir.
A) Name of variable = X.
Mean of working series = 14.928 Standard deviation = 6.214565 Number of observations = 50 B) Autocorrelations
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std 0 38.620816 1.00000 | |********************| 0 1 37.245424 0.96439 | . |******************* | 0.141421 2 34.091409 0.88272 | . |****************** | 0.239169 3 29.854105 0.77301 | . |*************** | 0.297270 4 25.009569 0.64757 | . |************* | 0.335069 5 19.582930 0.50706 | . |********** . | 0.359228 6 13.490306 0.34930 | . |******* . | 0.373268 7 7.216938 0.18687 | . |**** . | 0.379749 __________________________________________________________________________________
C) Inverse Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 -0.60986 | ************| . | 2 0.04692 | . |* . | 3 0.07352 | . |* . | 4 0.07227 | . |* . | 5 -0.17106 | . ***| . | 6 0.13725 | . |*** . | 7 -0.12713 | . ***| . | D) Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 1 0.96439 | . |******************* | 2 -0.67644 | **************| . | 3 -0.04671 | . *| . | 4 -0.05975 | . *| . | 5 -0.26772 | .*****| . | 6 -0.26247 | .*****| . | 7 0.13015 | . |*** . |
_________________________________________________________________________________
E) Autocorrelation Check for White Noise
To Chi Autocorrelations Lag Square DF Prob
6 170.38 6 0.000 0.964 0.883 0.773 0.648 0.507 0.349 12 191.84 12 0.000 0.187 0.033 -0.098 -0.208 -0.302 -0.378
F) Conditional Least Squares Estimation
Approx.
Parameter Estimate Std Error T Ratio Lag MU 17.75313 0.88326 20.10 0 MA1,1 -0.04565 0.19878 -0.23 1 AR1,1 1.68099 0.13853 12.13 1 AR1,2 -0.73220 0.13729 -5.33 2 Constant Estimate = 0.90908173
Variance Estimate = 1.27057785 Std Error Estimate = 1.12719912 AIC = 157.698363*
SBC = 165.346455*
G) Correlations of the Estimates
Parameter MU MA1,1 AR1,1 AR1,2
MU 1.000 -0.004 0.004 0.015 MA1,1 -0.004 1.000 0.666 -0.655 AR1,1 0.004 0.666 1.000 -0.984 AR1,2 0.015 -0.655 -0.984 1.000 H) Autocorrelation Check of Residuals
To Chi Autocorrelations Lag Square DF Prob
6 6.24 3 0.101 -0.002 -0.045 -0.169 0.016 0.256 0.113 12 8.55 9 0.480 -0.032 -0.171 -0.028 0.050 -0.056 -0.018 18 10.20 15 0.807 -0.074 -0.028 -0.014 -0.034 -0.087 0.080 24 14.85 21 0.830 -0.162 -0.091 -0.060 0.074 0.063 -0.071 I) Model for variable X
Estimated Mean = 17.7531315 Autoregressive Factors
Factor 1: 1 - 1.681 B**(1) + 0.7322 B**(2) Moving Average Factors
Factor 1: 1 + 0.045647 B**(1)
Burada model,
(Xt−μ )=α1(Xt−1−μ )+α2(Xt−2−μ )+et+β et−1
olarak ele alındığından, parametre tahmin değerleri
μ=17.753^ , α^1=1. 681 , α^2=−0 .7322 ve ^β=0.0456
olarak hesaplanmıştır ⊗
3.6. Mevsimsel Zaman Serilerinde Tahmin
Ekonomik bir çok zaman serisi mevsimsellik özelliği gösterir. Örneğin, yaz aylarında dondurma tüketiminin diğer mevsimlere göre fazla olacağını düşünmek doğaldır. Veriler bazen üçer aylık periyodlar halinde toplanır.
Örneğin, bir ülkedeki elektrik tüketimi verileri aylık veya mevsimsel olarak toplanabilir. Bazen de, mevsimsel olarak toplanmasa da gizli bir periyodiklik gözlenebilir. İktisadi olarak bu periyodikliğin belirlenmesi önemlidir.
İkinci bölümde, otoregresif mevsimsel zaman serilerine değinilmiş, mevsimsel serilerin genel özellikleri incelenmişti. et ~WN(0,2) olmak üzere, aylık (periyodu 12 olan) bir zaman serisi,
(1−B)(1−B12)Xt=(1−θ B)(1−ΘB12)et
olarak verilmiş olsun. Wt=(1−B)(1−B12)Xt denirse, Wt serisi için otokovaryanslar,
γ (0)=(1+θ2)(1+Θ2)σ2 , γ (1)=−θ (1+Θ2)σ2 , γ (11)=θ Θσ2
γ (12)=−Θ(1+θ2)σ2 , γ (13)=θ Θσ2
ve diğer durumlarda ( ) 0j dır (Wei, 2006 s. 168). Otokorelasyonlar ise,
ρ(1)= −θ
(1+θ2) , ρ(11)= −θ Θ
(1+θ2)(1+Θ2)=ρ(13)
,
ρ(13)= −Θ (1+Θ2)
şeklindedir. Diğer otokorelasyonlar sıfırdır. Mevsimsel zaman serilerinde en önemli problemlerden biri uygun fark derecesinin belirlenmesidir. Fark derecelerinin belirlenmesi ise serinin içerdiği birim kök sayısı ile ilgilidir (beşinci bölümde incelenecektir). Bu kısımda verilen durağan mevsimsel bir zaman serisinin model parametrelerinin tahmini üzerinde durulacaktır.
et~ WN (0,σ2) olmak üzere SAR4(1) modeli, (Xt−μ )=α ( Xt−4−μ )+et , t=1,2,3,. .. , n
şeklinde verilmiş olsun. Bu model, α0=μ (1−α ) ve α4=α olmak
üzere
Xt=α0+α4Xt−4+et
şeklinde yazılabilir. Yani, söz konusu mevsimsel zaman serisi modeli de regresyon modeline benzer. Parametre tahminleri, AR serilerinde olduğu gibi yapılır.
Örnek 3.6.1 Aşağıda 60 gözlemden oluşan bir zaman serisi satırlar halinde verilmiştir. Bu zaman serisine ait grafikler de aşağıdadır. Grafikler incelendiğinde, kısmi otokorelasyonlar dördüncü gecikmeden sonra sıfıra yakın değerler almaktadır. Otokorelasyonlar ise, her dört gecikmeden sonra üstel olarak azalmaktadır.
Zaman Serisi ACF PACF
0 10 20 30 40 50 60
789101112
Lag
ACF
0 5 10 15
-0.20.00.20.40.60.81.0
Series : y
Lag
Partial ACF
0 5 10 15
-0.20.00.20.40.6
Series : y
8.9 9.6 9.1 9.3 9.2 8.6 8.0 8.9 7.9 9.9
7.8 9.7 8.3 9.9 8.8 12.2 8.9 9.2 10.7 11.4
10.3 9.6 9.1 10.6 10.5 10.4 9.7 10.1 10.8 10.1
9.9 10.5 12.6 10.2 8.4 10.8 12.5 9.9 9.0 10.4
11.7 8.0 8.9 11.5 11.5 9.1 6.9 10.3 10.6 10.0
7.2 10.0 10.3 9.6 8.0 10.9 10.1 8.5 8.8 9.7
Buna göre serinin
(Xt−μ)=α ( Xt−4−μ)+et , t=1,2,3,. .. , 60
olarak modellenmesi uygun görünmektedir. Zaman serilerinde durağanlık testleri henüz incelenmediği için, şimdilik serinin durağan olduğunu kabul edelim.
Otokorelasyonlarındaki hızlı azalma, sezgisel de olsa serinin durağanlığına işaret etmektedir. Model α0=μ (1−α ) ve α4=α olmak üzere,
Xt=α0+α4Xt−4+et, t=1,2,3,. .. , 60
şeklinde yazıldığında parametre tahminleri için modeli,
5 1
6 2
56 60
1 1
. .
. ,
. .
.
1
X X
X X
X X
Y X
,
0
4
ve
5 6
60
. . e e
e
e
olmak üzere, Y Xe şeklinde yazalım. Buna göre, β nın en
küçük kareler tahmin edicisi, ^βn= (X X )1X Y dir. Verilerden,
56
1
56 56
2
1 1
56 56 546.2
546.2 5413.94
t t
t t
t t
x
x x
X X
,
X Y 60 60 4
5 1
, 546.4,5390.89
t t t
t t
X X X
X Y
vektör ve matrisleri hesaplanmıştır. Buna göre EKK tahminleri de, ˆn (X X) 1X Y (2.82,0.71)
olarak bulunmuştur. Yani, kestirim denklemi, ^Xt=2 .82+0.71 Xt−4 şeklindedir. SAS PROC ARIMA ile hesaplanan tahminler (proc arima; i var=x; e p=(4);) EKK tahminlerine çok yakındır ( α^0=2.63 ve α^1=0.72 olarak hesaplanmıştır). Verilere,
0 1 1 2 2 3 3 4 4 , 1, 2,3,..., 60
t t t t t t
X X X X X e t
şeklinde bir modelin uygun olduğunu düşünelim. H0:α1=α2=α3=0
hipotezini bunlardan en az biri sıfırdan farklıdır alternatif hipotezine karşı test etmek isteyelim. Seri durağan olduğundan bu hipotezin testi için F test istatistiğinin değeri kullanılabilir. Bu model için SAS çıktıları aşağıda
verilmiştir. Tablodan da görüldüğü gibi α1, α2 ve α3 parametrelerine karşılık gelen p− değerleri oldukça yüksektir. Yani, parametrelerin ayrı ayrı sıfır olduğu yokluk hipotezleri red edilemez. Bilinen parametre tahminlerine ilişkin test istatistiklerinin değerlerine bakarak verilerin
0 4 4 , 1, 2,3,..., 60
t t t
X X e t
şeklinde bir modele uygun olduğu söylenebilir. Seri durağan ise, regresyon ile elde edilen tahmin değerleri ile PROC ARIMA da elde edilen tahmin değerleri birbirlerine yakındır. F− istatistiğinin değeri de
0.256 0.84764
[ ( ) ( ) ] 43.99672 43.22942
2 3 0.30
( ) 0.84764
hesap
SSE red SSE full p
MSE full F
olarak hesaplanmıştır.
Model:
0 1 1 2 2 3 3 4 4 , 1, 2, 3,..., 60
t t t t t t
X X X X X e t
Sum of Mean
Source DF Squares Square F Value Prob>F
Model 4 44.52773 11.13193 13.133 0.0001 Error 51 43.22942 0.84764
C Total 55 87.75714
**********************************************************************************
Parameter Standard T for H0:
UVariable DF Estimate Error Parameter=0 Prob > |T U|
INTERCEP 1 3.140709 1.99901309 1.571 0.1223 X1 1 0.055543 0.10235326 0.543 0.5897 X2 1 -0.086977 0.10249045 -0.849 0.4001 X3 1 0.024026 0.10364239 0.232 0.8176 X4 1 0.685752 0.10286527 6.667 0.0001
Model: Xt 04Xt4e tt, 1, 2,3,..., 60 Sum of Mean
Source DF Squares Square F Value Prob>F Model 1 43.76042 43.76042 53.710 0.0001 Error 54 43.99672 0.81475
C Total 55 87.75714
Parameter Standard T for H0:
UVariable DF Estimate Error Parameter=0 Prob > |T U| INTERCEP 1 2.821324 0.95404601 2.957 0.0046 X4 1 0.711106 0.09703013 7.329 0.0001
0.05 anlam düzeyinde
0.95(3,51)
hesap
F F
olduğundan
H0 yokluk hipotezi red edilemez. Yani, bu verilerin
Xt=α0+α4Xt−4+et, t=1,2,3,. .. , 60
şeklinde modellenmesi uygundur. Regresyon denklemi göz önüne alındığında parametre tahmin değerleri α^0=2.82 ve α^1=0.71 olup
kestirim denklemi, Xˆt 2.82 0.71 Xt4 dir ⊗
3.7. Problemler
3.7.1 (X Yi, ) ,i i 1, 2,3,...beklenen değer vektörü ( x, y) ve varyans kovaryans matrisi
xx xy
yx yy
olan bağımsız rasgele değişkenlerin dizisi olsun. Wn Xn/Yn istatistiğinin asimptotik dağılımını bulunuz.
3.7.2
~ (0, 2)
et WN ve | | 1 olmak üzere Xt et et1 şeklinde verilen MA(1) zaman serisi modelini göz önüne alalım. Aşağıda verilen reel sayı dizilerinin yakınsama hızlarını elde ediniz.
a) Var X( n) b) Var e( )n c) Var
n X( n)
3.7.3 et ~WN(0,2) ve | | 1 olmak üzere Xt et et1 şeklinde verilen MA(1) zaman serisi modelini göz önüne alalım. Aşağıdaki rasgele değişken dizilerinin yakınsama hızlarını bulunuz.
a) X en n b)(Xn) |en|
c) Xn2 d) 2
1 n
i n
i
X X
e)Xn2 3.7.4 AR(2) modeli Xt 30 0.3 Xt10.4X e t şeklinde verilmiş olsun. Aşağıdaki ifadelerin yakınsama hızlarını elde ediniz.
a) Var X( n) b) Xn c) 2
1 n
i n
i
X X
d)
2 1 n
i i
e
e)
2
1 n
i n
i
e e
f) 1 1
n i i i
e e
g) ( )en 1 h) (Xn)1 3.7.5 et ~WN(0,2) ve X0 0 olmak üzere, AR(1) zaman serisi modeli Xt Xt1e tt, 1, 2,3,...,n şeklinde verilsin. 0 ve
0 durumları için aşağıdaki rasgele değişken dizilerinin yakınsama hızlarını bulunuz.
i) Xn ii)
2 1 n
i i
X
iii) 1 1
n
i i
i
e X
iv) 2
1 n
i n
i
X X
3.7.6 Teorem (3.2.2) de ispatı yapılmayan (b), (c) ve (e) ifadelerini ispat ediniz.
3.7.7 Xt et et1,t1, 2,3,...,n şeklinde verilen MA(1) modeli için ˆ (1)n tahmin edicisinin asimptotik dağılımını elde ediniz.
3.7.8 a b, olmak üzere Xt a bt t, 1, 2,3,...,n olarak verilen Xt zaman serisinin örneklem otokorelasyonları ˆ ( )n h olsun. Sabit her h için n iken ˆ ( )n h 1 olduğunu gösteriniz (Brockwell ve Davis, 1987).
3.7.9 AR(1) zaman serisi (Xt )(Xt1)e tt, 1, 2,3,...,n şeklinde verilsin. nun EKK tahmin edicisini yazınız. Bu tahmin edici ˆn olsun. 1 için n iken ˆn P 1 olduğunu gösteriniz.
3.7.10 Durağan AR(1) zaman serisi modeli, (Xt )(Xt1)e tt, 1, 2,3,...,n
şeklinde verilsin. wk 2k n/ olmak üzere Fourier katsayıları