Otokorelatif Model (AR)
Autoregressive Model · Ayrıca şöyle bilinir: AR model, AR(p) model, autoregression, AR process
p dereceli bir otokorelatif model — AR(p) — zaman serisinin mevcut değerini, kendi en yakın p geçmiş değerlerinin doğrusal bir fonksiyonu artı beyaz gürültü hatası olarak ifade eder. Kutu-Jenkins zaman serisi modelleri ailesinin temel yapı taşıdır ve durağan ekonomik ve finansal serilerin tahmininde yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+2 tane daha
Ne zaman kullanılır
Tek bir durağan zaman serisine sahip olduğunuzda ve tahmin veya açıklama için kendi gecikme bağımlılığını yakalamak istediğinizde AR modelini kullanın. PACF'in p gecikmesinde net bir kesilme gösterdiği ve ACF'nin kademeli olarak azaldığı durumlarda uygundur. Seri durağan değilse, önce farkını alın veya birim kök ön testi uygulayın; başarısız bir ADF testi, AR'yi doğrudan uygulamak için güçlü bir karşı göstergedir. Seri diğer değişkenlerden etkileniyorsa (bunun yerine VAR veya ADL kullanın) veya hareketli ortalama yapısı baskınsa (ARMA'yı tercih edin) AR kullanmayın. AR, nedensel mekanizmaların yapısal yorumlanması için daha az uygundur — öncelikle azaltılmış biçimli bir tahmin cihazıdır.
Güçlü yönler & sınırlılıklar
- Basit ve hesaplama açısından hızlı: kapalı formda OLS ile tahmin edilir.
- Geçmiş değerlerin şimdiyi ne kadar güçlü tahmin ettiğini gösteren doğrudan yorumlanabilir gecikme katsayıları.
- Sağlam teorik temel: durağanlık koşulları ve asimptotik çıkarım iyi kurulmuştur.
- Daha zengin modeller için yapı taşı — ARMA, ARIMA, VAR ve yapısal VAR'lar AR çekirdeğini genişletir.
- Tahmin: AR modelleri pratikte kısa ufuklarda daha karmaşık alternatiflerden daha iyi performans gösterir.
- Durağanlık gerektirir; durağan olmayan seriler, potansiyel olarak uzun vadeli seviye bilgisini kaybederek, uydurmadan önce farklılaştırılmalıdır.
- Yalnızca doğrusal, kendi gecikme dinamiklerini yakalar; doğrusal olmayan desenler veya çapraz değişken dinamikleri farklı modeller gerektirir.
- Sonlu örneklemlerde, AIC ve BIC farklı dereceler seçebilir, bu da standart hatalarda yansıtılmayan model belirsizliği yaratır.
- Uzun gecikmeli AR modelleri aşırı parametrelenmiş olabilir ve tahmin gürültüsü nedeniyle zayıf örnek dışı tahminler üretebilir.
SSS
Gecikme derecesi p'yi nasıl seçerim?
PACF'i inceleyin: bir AR(p)'nin PACF'i p gecikmesinden sonra sıfıra yakına düşer. Bilgi kriterleriyle doğrulayın — p = 0'dan belirli bir maksimuma (örneğin, aylık veriler için 12) kadar AR modellerini uydurun ve AIC veya BIC'yi en aza indiren derecesini seçin. Ardından, seçilen modelin artıklarının Ljung-Box testi aracılığıyla kalan otokorelasyon göstermediğini doğrulayın.
AR ve ARMA arasındaki fark nedir?
Bir AR(p) modeli mevcut değeri yalnızca kendi geçmiş değerleri aracılığıyla ifade eder. Bir ARMA(p,q) modeli, ACF'si yavaş azalan serilerin daha tutumlu bir şekilde temsil edilmesini sağlayan geçmiş hata terimlerini ağırlıklandıran bir hareketli ortalama bileşeni ekler. PACF keskin bir şekilde kesilmiyorsa, saf bir AR yerine ARMA'yı düşünün.
Durağan olmayan bir seri üzerinde AR kullanabilir miyim?
Hayır — standart AR çıkarımı durağanlığı varsayar. Önce bir ADF veya Phillips-Perron testi çalıştırın. Seri birim köke sahipse, AR uydurmadan önce durağanlığı sağlamak için birinci farkları (veya büyüme oranları için log-farkları) alın. Entegre seri fark almadan modellenmesi gerekiyorsa, bunun yerine bir ARIMA(p,1,0) çerçevesi kullanın.
AR, OLS regresyonu ile aynı mıdır?
Mekanik olarak evet: bir AR(p)'yi OLS ile tahmin etmek, y_t'yi p gecikmeli değerlerine regresyonunu yapmak anlamına gelir ve cebir, sıradan regresyonla aynıdır. Fark kavramsal olarak — regresörler, bağımlı değişkenin kendi gecikmeli değerleridir, bu nedenle çıkarım durağanlık gerektirir ve Yule-Walker asimptotiklerinin geçerli olması için örnek yeterince büyük olmalıdır.
VAR yerine AR'yi ne zaman kullanmalıyım?
Birbirini karşılıklı olarak etkileyebilecek iki veya daha fazla zaman serisine sahip olduğunuzda VAR kullanın. Bir AR modeli tek bir serinin kendi gecikme dinamiklerini yakalar; VAR, her değişkenin sistemdeki tüm değişkenlerin gecikmeli değerlerine bağlı olmasına izin vererek bunu genelleştirir, bu da çapraz değişken darbe yanıtlarını ve Granger nedenselliğini incelemek için gereklidir.
Kaynaklar
- Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control (revised ed.). Holden-Day. ISBN: 978-0816211043
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press. ISBN: 978-0691042893
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Autoregressive Model. ScholarGate. https://scholargate.app/tr/econometrics/autoregressive-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- Genişletilmiş Dickey-Fuller (ADF) Birim Kök TestiEkonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Hareketli Ortalama (MA) ModeliEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır