Doğrusal Olmayan ARIMA Modeli
Nonlinear Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: nonlinear ARIMA, NARIMA, nonlinear time series model, nonlinear Box-Jenkins model
Doğrusal Olmayan ARIMA modeli, koşullu ortalamanın bir zaman serisinin geçmiş değerlere ve geçmiş hatalara doğrusal olmayan bir fonksiyon aracılığıyla bağlı olmasına izin vererek klasik Box-Jenkins ARIMA çerçevesini genişletir. Doğrusal ARIMA'nın temsil edemediği asimetrik dinamikleri, rejim değişikliklerini ve iş döngüsü asimetrilerini yakalayan Eşik AR (TAR/SETAR), Yumuşak Geçiş AR (STAR/LSTAR/ESTAR) ve Markov-anahtarlamalı modeller gibi aileleri kapsar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal olmayan ARIMA modeli, ön testler (Tsay, Terasvirta LM) doğrusal olmamayı reddettiğinde, serinin pozitif ve negatif şoklara asimetrik tepkiler gösterdiği durumlarda, rejim bağımlı dinamiklere dair kanıtlar olduğunda (örneğin, resesyon ve genişleme davranışları) veya doğrusal bir ARIMA artık önemli bir yapı bırakmadığında kullanılır. Varsayılan olarak veya örneklem kısa olduğunda (yaklaşık 80 gözlemden az), doğrusal olmama testi doğrusal olmamayı reddedemediğinde veya yorumlanabilirlik öncelikli olduğunda ve daha basit bir doğrusal model yeterince uyduğunda kullanılmamalıdır.
Güçlü yönler & sınırlılıklar
- Doğrusal ARIMA'nın sistematik olarak kaçırdığı asimetrik ve duruma bağlı dinamikleri yakalar.
- İyi incelenmiş zengin bir özel durum ailesini (SETAR, LSTAR, ESTAR, Markov-anahtarlamalı) yerleşik tahmin teorisiyle kapsar.
- Rejim değişiklikleri olan seriler için, özellikle iş döngüsü ufuklarında, örneklem dışı tahminleri iyileştirebilir.
- Resmi doğrusal olmama testleri (Tsay, Terasvirta LM), ek karmaşıklığın verilerle haklı çıkarılıp çıkarılmadığını yönlendirir.
- Eşik ve geçiş parametreleri ekonomik olarak yorumlanabilir anlama sahiptir, istatistiksel yapıyı ekonomik rejimlerle ilişkilendirir.
- Doğrusal ARIMA'dan önemli ölçüde daha fazla veri gerektirir; seyrek örneklemler güvenilmez eşik tahminleri verir.
- Tahmin, hesaplama açısından yoğundur — eşik veya geçiş konumu üzerinde grid search genellikle gereklidir ve yerel optimumlar gerçek bir risktir.
- Doğrusal olmayan aileler (TAR vs. STAR vs. Markov-anahtarlamalı) arasındaki model seçimi önemsiz değildir ve resmi testlerle yönlendirilmezse aşırı uyuma yol açabilir.
- Tahmin belirsizliği doğrusal olmayan bir şekilde yayılır, analitik güven aralıklarının türetilmesini zorlaştırır.
- Yapısal değişim (gerçek parametre kararsızlığı) doğrusal olmama gibi görünebilir, bu da yanlış modellenmiş modellere yol açar.
SSS
Doğrusal Olmayan ARIMA, standart bir ARIMA'dan nasıl farklıdır?
Standart bir ARIMA, koşullu ortalamayı modellemek için geçmiş değerlerin ve hataların tek bir doğrusal kombinasyonunu kullanır. Doğrusal Olmayan bir ARIMA, bunu doğrusal olmayan bir fonksiyonla değiştirir — örneğin, bir eşik değişkeninin bir kesme noktasının üstünde veya altında olup olmadığına bağlı olarak iki farklı AR süreci arasında geçiş yapmak veya iki rejimi yumuşakça harmanlamak. Entegrasyon ve hareketli ortalama bileşenleri hala aynı rolü oynar; yalnızca AR dinamikleri doğrusal olmayan hale gelir.
Hangi doğrusal olmayan modeli seçmeliyim — TAR, LSTAR veya ESTAR?
Terasvirta'nın LM dizisi testi ayırt etmeye yardımcı olur: doğrusal olmama reddedildiğinde LSTAR'a karşı ESTAR'ı test eder. LSTAR asimetrik (yükseliş-düşüş) dinamikler için uygundur; ESTAR simetrik ancak doğrusal olmayan ortalama geri dönmesi (örneğin, reel döviz kurları) için uygundur. Rejim kaymalarının ani değil, yumuşak göründüğü durumlarda TAR/SETAR tercih edilir.
Ne kadar örneklem büyüklüğüne ihtiyacım var?
Pratik bir kural olarak, doğrusal olmayan ARIMA modellerini uydurmadan önce en az 80-100 zaman serisi gözlemi önerilir. Eşik konumu parametreleri küçük örneklemlerde yüksek varyansla tahmin edilir ve doğrusal olmama testleri güç kaybeder, bu da yanlış reddetme ve sahte eşik tahminlerini daha olası hale getirir.
Doğrusal olmayan bir ARIMA'yı GARCH hatalarıyla birleştirebilir miyim?
Evet, ve genellikle tavsiye edilir. Birçok finansal ve makroekonomik seri hem doğrusal olmayan koşullu ortalamalar hem de zamanla değişen koşullu varyanslar sergiler. Örneğin, bir LSTAR-GARCH modeli belirterek her iki özelliği de aynı anda yakalarsınız. Önce koşullu ortalama yapısını tahmin edin, ardından artıklar üzerinde bir GARCH modeli uydurun.
Doğrusal olmayan ARIMA modelleri her zaman doğrusal ARIMA'dan daha iyi tahmin yapar mı?
Otomatik olarak değil. Doğrusal olmayan modeller, değerlendirme penceresi içinde gerçek rejim değişiklikleri meydana geldiğinde tahmin karşılaştırmalarında üstünlük eğilimindedir. Uzun ufuklar için veya seri doğrusal bir süreç tarafından iyi yaklaştırıldığında, doğrusal olmayan modelin ek tahmin varyansı tahmin doğruluğunu bozabilir. Her zaman doğrusal bir temele karşı örneklem dışı RMSE'yi karşılaştırın.
Kaynaklar
- Tong, H. (1990). Non-Linear Time Series: A Dynamical System Approach. Oxford University Press. ISBN: 9780198522249
- Terasvirta, T. (1994). Specification, estimation, and evaluation of smooth transition autoregressive models. Journal of the American Statistical Association, 89(425), 208-218. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonlinear Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/nonlinear-arima-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
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR) ModeliEkonometri↔ karşılaştır