BOX-LJUNG ve NONPARAMETRİK REGRESYON YÖNTEMLERİNİN ETKİNLİKLERİNİN KARŞILAŞTIRILMASI: İMKB-100 ENDEKSİNE YÖNELİK BİR UYGULAMA

Abstract

Zaman serisi verilerinin, uygulamalı araştırmalarda çok sık ve yoğun bir şekilde kullanıldığı ve bu verilerin analizine yönelik çeşitli yöntemlerin geliştirildiği bilinmektedir. Tek değişkenli zaman serilerinin analizinde kullanılan en bilinen yöntem, bir zaman serisinin kendi gecikmeli değerleri ve hata terimleri ile modellemesine dayalı Box-Ljung (BL) yöntemidir. Tek değişkenli zaman serilerinin analizinde son dönemlerde kullanılan yöntemlerden biri ise, katsayılar yerine belirli bir fonksiyonu temel alan ve kestirimlerin bu fonksiyon üzerinden yapıldığı nonparametrik regresyon yöntemidir. Her iki yöntemin de ortak amacı zaman serilerini modellemek ve bu model yardımı ile öngörüde bulunmaktır. Bu çalışmanın amacı, tek değişkenli zaman serilerinin analizinde kullanılan Box-Ljung (BL) yöntemi ile nonparametrik regresyon yöntemlerinin etkinliklerini, İMKB-100 Endeksinin aylık kapanış fiyatlarını temel almak suretiyle uygulamalı olarak karşılaştırmaktır. Bu doğrultuda yapılan analizler sonucunda, çeşitli performans kriterlerine göre yapılan karşılaştırmalarda nonparametrik regresyon yönteminin Box-Ljung (BL) yöntemine göre daha etkin sonuçlar verdiği görülmüştür

Keywords

• regresyon, nonparametrik regresyon, arima, kernel regresyon

References

1. Aydın,D. “A comparision of the nonparametric regression models using smoothing and kernel regression “, Proceeding of world academy of science, engineering and technology ,Volume 26 December 2007.
2. Eubank, R. L., (1999). Nonparametric Regression and Smoothing Spline, Marcel Dekker Inc., NewYork.
3. Faraway J.J.(2006) , Extending the linear model with R, Chapman and Hall /CRC
4. Fazekas M.,“Application of ARIMA Models”, http://www.telmae.karlov.mff.cuni.cz/.../articles.nsf/89B69C1700CD9453C1256C7F0056D248/$FILE/Fazekas. PDF?OpenElement, (09.03.2007).
5. Fox J.(2008) , Applied Regression Analysis and Generalized Linear Models , Sage Publications Inc.
6. Härdle , W. (1990), Applied Nonparametric Regression,Cambridge University Press.
7. Hart J.D.(1996) , Some automated methods of smoothing time-dependent data , Journal of nonparametric statistics, 6 , 115-142
8. Härdle , W. ve Chen , R. Nonparametric Time Series Analysis, a selevtive review with examples , http://citeseer.ist.psu.edu/228910.html, (19.03.2009).

9. Heiler S, A survey on nonparametric time series analysis , http://129.3.20.41/eps/fin/papers/9904/9904005.pdf , (11.02.2008).
10. Nadarya, E.A. (1964), On Estimating Regression, Theory Pb. Appl., Vol.10.
11. Özmen, A. (1986), Zaman Serisi Analizinde Box-Jenkins Yöntemi ve Banka Mevduat Tahmininde Uygulama
12. Denemesi, Anadolu üniversitesi Yayınları No. 201, Eskişehir. Rodriguez N.N. and Siado C.P. (2003),”Un pronostico no parametrico de la inflacion Colombiana”,Revista
13. Colombiana de estadistia , diciembre vol 26 , 89-128
14. Sevüktekin M. ve Nargeleçekenler M. (2007) , Ekonometrik Zaman Serileri Analizi ,Nobel Yayınevi, 2007.
15. Shumway ,R.H., Stoffer D. S.(2006) , Time Series Analysis and Its applications with R Examples , Springer Texts in Statistics.
16. Teknomo , K, Numerical Microsoft Excel Tutorials , http://people.revoledu.com/kardi/tutorial/Regression/WhatIsRegression.html , (11.02.2008)
17. Takezawa K.(2006) , Introduction to Nonparametric Regression, John Wiley and Sons Inc.
18. Topal M., Yıldız N. ve Bilgin Ö.C. ,Farklı Dağılış Gösteren Verilerde Parametrik ve Nonparametrik Regresyon Metotlarının İncelenmesi, 4uzbk.sdu.edu.tr/4UZBK/BGB/4UZBK_086.pdf , (09.12.2009)
19. Watson,G.S.(1964), Smooth regression analysis,Sankhya,Series A,26 .