Yapısal Kırılmalı SARIMA Modeli
Structural Break Seasonal Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: SARIMA with structural breaks, break-augmented SARIMA, piecewise SARIMA, SARIMA-SB
Yapısal Kırılmalı SARIMA modeli, bir zaman serisinin seviyesindeki, eğilimindeki veya mevsimsel örüntüsündeki ani, kalıcı değişimleri açıkça tespit ederek ve bunlara uyum sağlayarak klasik Mevsimsel ARIMA çerçevesini genişletir. Tüm örneklem boyunca tek bir SARIMA spesifikasyonu dayatmak yerine, model kırılma noktalarında seriyi böler ve ortaya çıkan her bir bölüm için ayrı SARIMA süreçleri uydurur, böylece rejim değişiklikleri varlığında daha doğru tahminler ve güvenilir çıkarımlar üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek bir SARIMA'nın yanlış temsil edeceği ani rejim değişikliklerini yakalar, hem uyumu hem de tahmin doğruluğunu iyileştirir.
Güçlü yönler & sınırlılıklar
- Her bir kararlı alt dönemde SARIMA ailesinin yorumlanabilirliğini ve tutumluluğunu korur.
- Resmi Bai-Perron veya Chow testleri ile birleştirilebilir, bu da kırılma seçimi için istatistiksel olarak ilkeli bir temel sağlar.
- Seviye, eğilim, varyans ve mevsimsel genlikteki değişimleri bölümler arasında bağımsız olarak barındırır.
- Politika veya yapısal şokların yaygın olduğu makroekonomi, enerji, iklim ve finans alanlarında yaygın olarak uygulanabilir.
- Güvenilir SARIMA tahmini için her alt bölümde yeterli gözlem gerektirir; çok fazla kırılma, bölüm başına çok az veri noktası bırakır.
- Kırılma tarihleri belirsizlikle tahmin edilir; yanlış belirtilmiş kırılma konumları, sonraki tüm SARIMA tahminlerine hata yayar.
- Kademeli yapısal değişimi veya rejimler arasındaki yumuşak geçişleri modellemez.
- Tahmin edilen parametre sayısı, kırılma noktası sayısı ile önemli ölçüde artar, bu da aşırı uyum riskini artırır.
- Çok fazla kırılma noktasına izin vermek: her ek kırılma noktası serbestlik derecesi tüketir ve kararlı bölümleri parçalayabilir, bu da aşırı uyuma ve kararsız bölüm modellerine yol açabilir.
SSS
Bai-Perron sıralı prosedürü, 0'a karşı 1 kırılma, ardından 1'e karşı 2 kırılma vb. test eder ve seçilen bir anlamlılık düzeyinde sıfır hipotezini reddetmeyi başaramadığında durur. Bilgi kriterleri (BIC) seçimi doğrulayabilir. Uygulamalı çalışmaların çoğu, yeterli bölüm uzunluğunu korumak için kırılmaları 3-5 ile sınırlar.
Kırılma tarihlerini önceden bilmiyorsam bu modeli kullanabilir miyim?
Evet — endojen kırılma tespiti ana kullanım durumudur. Bai-Perron, CUSUM veya sup-F testi gibi yöntemler, kırılma tarihlerini verinin kendisinden tahmin eder. Bilinen kırılma tarihleri (örneğin, bir politika değişikliği) bir sağlamlık kontrolü olarak dışsal olarak da zorlanabilir.
Güvenilir SARIMA tahmini için gereken minimum bölüm uzunluğu nedir?
Pratik bir kural, bölüm başına en az 4-5 tam mevsim döngüsüdür (örneğin, yıllık bir mevsimsel örüntü için 48-60 aylık gözlem). Daha kısa bölümler, oldukça belirsiz ARMA parametre tahminleri ve güvenilmez tahminler verir.
Bu, kukla değişkenli bir SARIMA modelinden nasıl farklıdır?
Bir kukla değişken eklenmiş SARIMA, mevsimsel ve ARMA parametrelerinin tüm örneklem boyunca sabit olmasını kısıtlar ve yalnızca kırılma noktasında bir ortalama veya eğilim kaymasına izin verir. Yapısal kırılmalı SARIMA, her bölümdeki tüm ARMA ve mevsimsel parametreleri yeniden tahmin ederek, kuklaların yapamayacağı kalıcılık, volatilite ve mevsimsel şekil değişikliklerini yakalar.
Tahmin ufukta başka bir kırılma bekliyorsam, yapısal kırılmalı SARIMA tahmin için uygun mudur?
Ek varsayımlar olmadan olmaz. Model, en son bölümün dinamiklerini ileriye doğru yansıtır ve gelecekteki gözlemlenmemiş kırılmaları öngöremez. Gelecekteki bir kırılma olasılığı varsa (örneğin, planlanmış bir politika değişikliği), bunu beklenen tarihte model parametrelerini kaydırarak bir senaryo olarak dahil edin.
Mevsimsel zaman serinizi StatWise'a yükleyin, kırılma tarihlerini belirlemek için yapısal kırılma tespit modülünü çalıştırın, ardından bölüm bazlı SARIMA tahmincisini uygulayın — platform, tek bir iş akışında bölüm bazlı model derecelerini, parametre tahminlerini ve güven aralıklarıyla çok adımlı tahminleri raporlar.
Kaynaklar
- Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78. DOI: 10.2307/2998540 ↗
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley. ISBN: 978-1118675021
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Structural Break Seasonal Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-sarima-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
- Bai-Perron Çoklu Yapısal Kırılma TestiEkonometri↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır