Vektör Otoregresyon (VAR) Modeli ile İklimsel Değişkenlerin İstatistiksel Analizi

Year 2018, Volume: 10 Issue: 2, 183 - 192, 29.06.2018

HAYRİYE ESRA Akyüz

https://doi.org/10.29137/umagd.402272

Cited By: 9

Abstract

İklimsel değişikliklerin bir sonucu olarak tüm canlılar için oldukça büyük bir tehdit oluşturan sıcaklık artışlarının belirlenmesi bu çalışmanın temel amacını oluşturmaktadır. Bu çalışmada iklimsel veriler olarak 2012-2016 yılları arasındaki ortalama basınç, minumum toprak üstü sıcaklık, ortalama nem, ortalama rüzgar hızı, ortalama sıcaklık ve toplam yağış ortalaması kullanılmıştır. İklimsel verilerin analizi için Eviews 9.0 yazılımı kullanılmıştır. Akaike Bilgi kriterine göre gecikme uzunluğu 4 olarak belirlenmiştir. Ortalama sıcaklık değişkenine verilen bir standart sapmalık şokun büyük çoğunlukla kendisi ve basınç değişkeni ile belirlendiği elde edilmiştir. Sonuç olarak, ortalama sıcaklık değişkeni kısa dönemde kendi şokları ile belirlenebilmektedir. Diğer yandan 12 ayın sonunda ortalama sıcaklık değişkeninin % 58.4’ü kendisi tarafından, % 9.5’i ortalama minumum toprak üstü sıcaklık, % 9.4’ü ortalama nem, % 5.06’sı ortalama basınç ve % 7.24’ü ortalama rüzgar hızı tarafından açıklandığı elde edilmiştir. Vektör otoregresyon modelinin, iklimsel değişkenleri modellemede başarılı olduğu belirlenmiştir.

Keywords

Etki-tepki fonsiyonu, Granger nedensellik analizi, iklimsel değişken, VAR analizi

Statistical Analysis of Climatic Variables with Vector Autoregression Model (VAR)

Abstract

Determination of temperature increase (global warming) as a result of climate change, became a tremendous threat for all living things, is the aim of this study. As climatic data in this study, the average of pressure, minimum temperature above soil, humudity, wind speed, temperature and total precipitation were used for the years between 2012 and 2016. Eviews 9.0 software was used to analyse the climatic data. Lag length was determined as four according to Akaike Information Criterion (AIC). It has been determined that a standard deviation shock given to the variable average temperature affects itself and the variable average pressure most. As a result, the average temperature variable is determined by its own shocks in the short term. On the other hand, at the end of 12 months, 58.4% of the variable average temperature is explained by itself, 9.5% by average minimum temperature above soil, 9.4% by average humidity, 5.06% by average pressure and 7.24% by average wind speed. It has been determined that the vector autoregression model is successful in modeling climatic variables.

Keywords

Impulse-response function, Granger casuality analysis, climatic variable, VAR analysis

References

• 1. Akaike, H. (1978). On the likelihood of a time series model. The Statistician, 217-235.
• 2. Batista, P. P., Clemesha, B. R., & Simonich, D. M. (2009). A 14-year monthly climatology and trend in the 35–65 km altitude range from Rayleigh Lidar temperature measurements at a low latitude station. Journal of Atmospheric and Solar-Terrestrial Physics, 71(13), 1456-1462.
• 3. Bozyurt, O. (2002). Küresel iklim değişiklikleri. 11-13 Nisan Klimatoloji Çalıştayı Bidiriler Kitabı, 247-256.
• 4. Demirci, A., & Karakuyu, M. (2002). Küresel iklim değişimi ve Türkiye’nin fiziki ve beşeri coğrafyası üzerindeki olası etkileri. Klimatoloji Çalıştayı, İzmir, 235-245.
• 5. Dickey, D. A. & Fuller, W. A. 1979. Distrubition of the estimators for autogressive time series with unit root. Journal of the American Statistical Association, 74, 427-431.
• 6. Dickey, D. A. &Fuller, W. A. 1981. Likilihood ratio statistics for autoregressive time series with a unit root, Econometrica, 49(4), 1057-1072.
• 7. Ertek, T. (2000). Ekonometriye Giriş. İstanbul: Beta Yayıncılık, 2. Baskı.
• 8. Gómez-Gesteira, M., Alvarez, I., & Gesteira, J. L. G. (2009). Present warming within the context of cooling–warming cycles observed since 1854 in the Bay of Biscay. Continental Shelf Research, 29(8), 1053-1059.
• 9. Granger, C.W. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica: Journal of the Econometric Society, 424-438.
• 10. Karabulut, M., & Cosun, F. (2009). Kahramanmaraş ilinde yağışların trend analizi. Coğrafi Bilimler Dergisi, 7(1), 65-83.
• 11. MacKinnon, J. G. (1991). Critical Value for Cointegration Tests in Advanced Texts in Econometrics.
• 12. Önder, S., & Önder, D. (2007, March). Evaluation of water resources on the basis of river basins and the probable changes to occur in basin management in the future due to global climate change. In International Congress: River Basin Management(Vol. 1, pp. 22-24).
• 13. Ponsar, S., Ozer, J., & Van den Eynde, D. (2007). Impacts of climate change on the physical and chemical parameters of the North Sea (literature study). Management Unit of the North Sea Mathematical Models, Brussels.
• 14. Sims, C. A. (1972). Money, income, and causality. The American economic review, 540-552.
• 15. Sims, C. A. (1980). Macroeconomics and reality. Econometrica: Journal of the Econometric Society, 1-48.
• 16. Solomon, S. (Ed.). (2007). Climate change 2007-the physical science basis: Working group I contribution to the fourth assessment report of the IPCC (Vol. 4). Cambridge university press.
• 17. Sprintall, J. (2008). Long-term trends and interannual variability of temperature in Drake Passage. Progress in Oceanography, 77(4), 316-330.
• 18. Tarı, R. (2006). Ekonometri. İstanbul: Avcı Ofset, 4. Baskı.
• 19. Tarı, R. (2010). Ekonometri. Kocaeli: Umuttepe Yayınları, Genişletilmiş 6. Baskı.
• 20. Türkes, M. (1998). Influence of geopotential heights, cyclone frequency and Southern Oscillation on rainfall variations in Turkey. International Journal of Climatology, 18(6), 649-680.
• 21. Türkeş, M. (2012). Türkiye’de gözlenen ve öngörülen iklim değişikliği, kuraklık ve çölleşme. Ankara Üniversitesi Çevrebilimleri Dergisi, 4(2), 1-32.