Hareketli Ortalama (MA) Modeli
Moving Average Time Series Model · Ayrıca şöyle bilinir: MA model, MA(q) process, moving-average process, Box-Jenkins MA
q dereceli Hareketli Ortalama modeli — MA(q) olarak yazılır — bir zaman serisinin mevcut değerini, mevcut ve geçmiş rastgele şokların (yeniliklerin) doğrusal bir kombinasyonu olarak ifade eder. Serinin kendi gecikmeli değerlerini kullanan AR modelinin aksine, MA modeli gecikmeli hata terimlerini kullanır, bu da onu q dönem boyunca dağılan kısa ömürlü bozulmaları yakalamak için uygun kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Seri durağan olduğunda ve ACF, yavaş bir azalma olmaksızın az sayıda gecikmeden sonra keskin bir şekilde kesildiğinde, sonlu bir şok yayılım mekanizması önerdiğinde bir MA(q) modeli kullanın. Geçmişteki bozulmaların — haber olayları, politika sürprizleri — q dönem sonra kaybolan kesin olarak sınırlı bir etkiye sahip olduğu ekonomik veya finansal seriler için uygundur. Durağan olmayan bir seriye MA modeli uygulamayın (önce farkını alın ve ADF veya PP testi ile durağanlığı doğrulayın). Ayrıca, PACF kesildiğinde ancak ACF yavaşça azaldığında saf bir MA'dan kaçının — bu desen bir AR modelini destekler. Hem yavaşça azalan ACF hem de PACF'ye sahip seriler için, bir ARMA kombinasyonu daha tutumludur.
Güçlü yönler & sınırlılıklar
- Tersine çevrilebilir MA süreçleri her zaman durağandır, bu da parametreler üzerinde durağanlık koşullarını kontrol etme ihtiyacını ortadan kaldırır.
- Sonlu dürtü yanıtı: şokların tam olarak sınırlı, q dönemlik bir etkisi vardır, bu da politika veya olay-çalışması bağlamlarında sezgisel ve yorumlaması kolaydır.
- ACF, temiz, yorumlanabilir bir tanımlama kuralı sağlar — kesme gecikmesi model derecesini doğrudan ortaya koyar.
- Gerçek veri üreten süreç sonlu dereceli bir MA olduğunda MA modelleri optimal doğrusal tahminleyicilerdir.
- Tutumlu: düşük dereceli bir MA(1) veya MA(2) genellikle çok çeşitli durağan serilere iyi uyar.
- Tahmin doğrusal değildir (en büyük olabilirlik veya yinelemeli yöntemler), bu da onu AR modellerinden daha hesaplama yoğun hale getirir ve başlangıç değerlerine daha duyarlıdır.
- Saf MA modelleri, kalıcı, yavaşça azalan otokorelasyona sahip seriler için nadiren yeterlidir; genellikle bir ARMA veya ARIMA spesifikasyonu gereklidir.
- ACF kesilmesi, gürültülü güven aralıklarına sahip sonlu örneklerde tanımlanması zor olabilir, bu da derece yanlış spesifikasyonuna yol açar.
- MA modelleri kesinlikle tek değişkenlidir — uzantı olmaksızın çok değişkenli dinamikleri veya dışsal kovaryatları modellemezler.
SSS
Bir MA modeli basit bir hareketli ortalamadan (kayan ortalama) nasıl farklıdır?
Basit (kayan) bir hareketli ortalama, serinin son q gözlemlenen değerlerinin ortalamasını alan bir veri düzeltme tekniğidir. Bir MA(q) modeli, mevcut değerin mevcut ve geçmiş rastgele yeniliklere (şoklara) bağlı olduğu, y'nin geçmiş gözlemlerine değil, stokastik bir süreç spesifikasyonudur. İkisi, aynı adı paylaşmalarına rağmen ilişkisizdir.
q derecesini nasıl seçerim?
Örnek ACF'yi çizin. Saf bir MA(q) süreci için ACF, 1'den q'ya kadar olan gecikmelerde sıfırdan farklıdır ve q'nun ötesindeki gecikmeler için esasen sıfırdır. Aday modelleri AIC ve BIC ile karşılaştırın — en düşük bilgi kriterine sahip model genellikle tercih edilir. Kalıntılar üzerinde Ljung-Box testi ile yeterliliği doğrulayın.
Tersine çevrilebilirlik ne anlama geliyor ve neden önemlidir?
Bir MA(q) süreci, gecikme operatöründeki polinomunun tüm kökleri karmaşık birim çemberin dışında ise tersine çevrilebilirdir. Tersine çevrilebilirlik, MA'nın yakınsak bir sonsuz AR olarak yazılabileceğini garanti eder, bu da geçmiş verilerden gelecekteki değerleri tahmin etmek ve en büyük olabilirlik tahmininin benzersiz bir çözüm üretmesi için gereklidir.
Saf bir MA yerine ne zaman ARMA kullanmalıyım?
ACF keskin bir şekilde kesilmek yerine yavaşça azalıyorsa (geometrik veya salınımlı azalma) veya hem ACF hem de PACF kademeli bir azalma gösteriyorsa, saf bir MA yetersizdir. Bu durumlarda, AR ve MA terimlerini birleştiren bir ARMA(p, q) modeli genellikle daha tutumlu bir uyum sağlayacaktır.
MA modeli her zaman durağan mıdır?
Evet. Sonlu varyanslı yeniliklere sahip herhangi bir sonlu dereceli MA(q) süreci, θ parametrelerinin değerlerinden bağımsız olarak zayıf durağandır. Bu, durağanlığı garanti etmek için karakteristik köklerin birim çemberin dışında olmasını gerektiren AR modelleriyle çelişir.
Kaynaklar
- Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (1976). Time Series Analysis: Forecasting and Control (revised ed.). Holden-Day. ISBN: 978-0130607744
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press. ISBN: 978-0691042893
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Moving Average Time Series Model. ScholarGate. https://scholargate.app/tr/econometrics/moving-average-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
- Otokorelatif Model (AR)Ekonometri↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır