Zamanla Değişen Parametreli ARIMA Modeli (TVP-ARIMA)
Time-Varying Parameter Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: TVP-ARIMA, time-varying ARIMA, adaptive ARIMA, state-space ARIMA
Zamanla değişen parametreli ARIMA modeli, klasik ARIMA çerçevesini, otoregresif ve hareketli ortalama katsayılarının sabit kalmak yerine zaman içinde evrilmesine izin vererek genişletir. Durum-uzay formunda ifade edilip Kalman filtresi aracılığıyla tahmin edilen bu model, yapısal kırılmalar, politika değişiklikleri veya rejim geçişlerine yanıt olarak dinamik yapısı değişen ekonomik ve finansal zaman serileri için tasarlanmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yeterince uzun (tipik olarak 50+ gözlem) ve altta yatan dinamiklerin zaman içinde değiştiğine inanmak için teorik veya ampirik nedenlere sahip olduğunuz zaman serileri için TVP-ARIMA'yı kullanın — örneğin, iş döngüleri boyunca makroekonomik tahmin, para politikası rejim değişikliklerini kapsayan enflasyon modellemesi veya yapısal kırılmalara sahip finansal volatilite serileri. Bir haddeleme penceresi ARIMA'nın pencereler arasında önemli ölçüde değiştiği, gerçek parametre kararsızlığını işaret ettiği durumlarda iyi uyum sağlar. Seri kısa olduğunda (parametre sürüklenmesi ve gözlem gürültüsü o zaman belirlenemez), zaman varyasyonu için ekonomik motivasyon olmadığında (TVP eklemek gereksiz yere karmaşıklığı ve tahmin belirsizliğini artırır) veya birincil amacın esneklik yerine parsimoni olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Önsel olarak kırılma tarihleri bilgisine gerek kalmadan ARIMA dinamiklerindeki kademeli veya ani değişimleri yakalar.
- Durum-uzay çerçevesi içine yerleştirilmiş olup, verimli Kalman filtresi tahmini ve kesin olabilirlik değerlendirmesi sağlar.
- Her katsayı için yorumlanabilir zaman yolları üretir, yapısal değişimi görünür ve anlatılabilir hale getirir.
- Geçiş denklemi seçimi yoluyla hem yumuşak sürüklenmeyi (rastgele yürüyüş durumu) hem de daha kalıcı varyasyonu (AR durumu) barındırır.
- Çok değişkenli ayarlara veya zamanla değişen dışsal regresörleri içermeye kolayca genişletilebilir.
- Parametre sürüklenmesini gözlem gürültüsünden güvenilir bir şekilde ayırmak için sabit parametreli ARIMA'dan önemli ölçüde daha fazla gözlem gerektirir.
- Durum-uzay hiperparametreleri (Q, R) kısa örneklemlerde yalnızca zayıf bir şekilde tanımlanır, bu da olabilirlik yüzeylerini düzleştirir ve tahminleri başlangıç değerlerine duyarlı hale getirir.
- Hesaplama maliyeti, OLS tabanlı ARIMA'dan daha yüksektir, ancak orta uzunluktaki seriler için hala çözülebilirdir.
- Düzeltilmiş katsayı yolları örneklem içi yapılardır; örneklem dışı katsayı tahminleri, β_t'nin nasıl evrileceğine dair ek bir model gerektirir.
SSS
TVP-ARIMA, haddeleme pencereli ARIMA'dan nasıl farklıdır?
Haddeleme pencereli ARIMA, sabit parametreleri hareketli bir veri penceresi üzerinde yeniden tahmin eder, eski gözlemleri aniden atar. TVP-ARIMA tüm gözlemleri korur ancak katsayıların yumuşak (veya Q'ya bağlı olarak hızlı) bir şekilde sürüklenmesine izin verir, bu da mekanik bir pencere seçimi yerine dinamiklerin nasıl değiştiğine dair ilkeli bir olasılıksal tahmin verir.
Zamanla değişen parametreler eklemeden önce ARIMA sırasını nasıl seçerim?
Önce AIC/BIC ve ACF/PACF tanılarını kullanarak tam seri veya kararlı bir alt dönem üzerinde standart bir ARIMA uydurarak başlayın. En iyi uyan sıraya (p, d, q) sabitleyin, ardından AR ve MA katsayıları için durum-uzay zaman varyasyonunu tanıtın.
Hangi yazılım TVP-ARIMA'yı tahmin edebilir?
KFAS, dlm ve bsts gibi R paketleri durum-uzay TVP modellerini uygular. Python kullanıcıları statsmodels (UnobservedComponents) veya pykalman'ı kullanabilir. Bayesci tahmin, uygun durum-uzay önsel değerleriyle Stan veya JAGS aracılığıyla mevcuttur.
TVP-ARIMA mevsimselliği idare edebilir mi?
Evet. Mevsimsel bir ARIMA (SARIMA) tabanı, durum-uzay ölçüm denklemine mevsimsel gecikmeler ekleyerek ve geçiş denkleminde katsayılarının sürüklenmesine izin vererek zamanla değişen parametrelerle birleştirilebilir.
Zamanla değişen parametrelerin gerçekten gerekip gerekmediğini nasıl test ederim?
TVP-ARIMA'nın AIC/BIC'ini sabit parametreli ARIMA ile karşılaştırın. Sabit model artıklarının yapısal kırılma testleri (Chow, CUSUM veya Bai-Perron) de parametre kararsızlığı için tanısal kanıt sağlar.
Kaynaklar
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 9780521405737
- Cooley, T. F., & Prescott, E. C. (1976). Estimation in the Presence of Stochastic Parameter Variation. Econometrica, 44(1), 167–184. DOI: 10.2307/1911389 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-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
- Kalman FiltresiBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır