Ekonomik Aktivitenin Öncü Göstergeler Yardımıyla Kısa Dönemli Tahmini: Türkiye Örneği

Year 2021, Issue: 51, 243 - 276, 31.03.2021

Özer Coşkun Mehmet Akif Arvas

Abstract

Ekonomik aktivitede zaman içerisinde yaşanan inişli çıkışlı hareketler iktisadi dalgalanmalar olarak tanımlanmakta iken çıktı düzeyindeki dalgalanmaların ileriki dönemlerdeki seyri hakkında bilgiler içeren göstergelere ekonomik göstergeler denilmektedir. İktisadi dalgalanmaların kısa dönemli öngörüsü, yaklaşan resesyonların tespiti ve buna yönelik gerekli önlemlerin alınması açısından önemli görülmektedir. Bu çalışmada, 2002Q1-2016Q3 dönemleri arası aylık ve üç aylık toplam 29 göstergeden yararlanılarak GSYH tahmin modeli oluşturma denemesi yapılmıştır. Bu amaçla, biri bağımlı değişken olarak GSYH, diğeri bağımsız değişken olarak bir ekonomik gösterge olmak üzere iki değişkenli VAR tahmin modelleri tahmin edilmiştir. Sonra, elde edilen gösterge bazlı bireysel tahminlerden aritmetik ortalama ve medyan alma yöntemleriyle tahmin birleştirme teknikleri uygulanmıştır. Son olarak, elde edilen tahminlerin ortalama hataları referans bir AR tahmininden elde edilen hataların ortalamasıyla karşılaştırılarak tahmin performanslarına bakılmıştır. Sonuç olarak, BIST100 endeksi, döviz kuru ve tüketici fiyat endeksi gibi verilerin, GSYH’nin kısa dönemli konjonktürel hareketlerinin tahmininde yararlı bilgiler içerdiği görülmüştür. Ayrıca, tahmin birleştirme yöntemlerinin pek çok göstergeden elde edilen bireysel tahminlerden daha başarılı sonuçlar verdiği de tespit edilmiştir.

Keywords

Konjonktür, iktisadi dalgalanmalar, öncü gösterge, tahmin, VAR

Short Term Forecasting of Economic Activity by Using Leading Indicators: The Case of Turkey

Abstract

While up and down movements of real economic output in a time period are defined as “economic fluctuations”, the indicators that give information about current and future course of fluctuations of real output are called “economic indicators”. Short term forecasting of fluctuations is regarded important in terms of predicting resessions nearby and taking precautions against to them. In this study, by using 29 monthly or quarterly indicators between 2002Q1-2016Q3 period, it was tried to establish a forecasting model of quarterly GDP. For this purpose, with two variables, one of which was GDP as dependent variable and the other was an economic indicator as independent variable, VAR models were forecasted. Then, forecast combination techniques were applied by taking arithmetic means and medians of forecasts derived from individual VAR models. Finally, the performances of forecasting models were measured by comparing RMSE’s of forecasts with each other and a benchmark AR model. In conclusion, it was found that the indicators such as BIST100 index, real exchange rate and consumer price index had valuable information for short term forecasting of GDP. Besides it was seen that forecast combination methods were outperformed many individual forecasts.

Keywords

Business cycle, economic fluctuations, leading indicator, forecast, VAR

References

• Açıkgöz, Ş. (2003). Öncü Göstergeler Yaklaşımı ve Türkiye Ekonomisi Üzerine Bir Uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Gazi Üniversitesi / Sosyal Bilimler Enstitüsü, Ankara.
• Akkoyun, H. & Günay, M. (2012). Nowcasting Turkish GDP Growth. Central Bank of the Republic of Turkey.
• Altug, S. & Uluceviz, E. (2011). Leading Indicators of Real Activity and Inflation For Turkey, 2001-2010. İstanbul: Koç University - TÜSİAD Economic Research Forum, Working Paper 1134.
• Burns, A. & Mitchell, W. (1946). Measuring Business Cycles. (2). NBER Studies in Business Cycles.
• Camacho, M. & Domenech, R. (2010). MICA-BBVA: A Factor Model of Economic and Financial Indiactors for Short-Term GDP Forecasting. BBVA Research, Economic Analysis(10/21).
• Camba-Mendez, G., Kapetanios, G., Smith, R., & Weale, M. (2001). An Automatic Leading Indicator of Economic Activity: Forecasting GDP Growth for European Countries. 4, 56-90.
• Clements, M. & Galvao, A. (2009). Forecasting US Output Growth Using Leading Indicators: An Appraisal Using MIDAS Models. Journal of Applied Econometrics, (24), 1187-1206.
• Çoban, O. (2013). İktisada Giriş (Dördüncü Baskı). Konya: Atlas Akademi.
• Değerli, A. (2012). Short-Term Industrial Production Forecasting For Turkey. Master's thesis. The Graduate Scool of Social Sciences of Middle East technical University (METU).
• Diebold, F. & Rudebusch, G. (1991). Forecasting Output with the Composite Leading Index: A real-Time Analysis. Journal of the American Association, 86, 603-610.
• Doğan, B. & Midiliç, M. (2016). Forecasting Turkish Real GDP Growth in a Data Rich Environment. Central Bank of the Republic of Turkey.
• Fritsche, U. & Marklein, F. (2001). Leading Indicators of Euroland Business Cycles. DIW Discussion Paper,(238).
• Gayer, C. (2005). Forecast Evaluation of European Commission Survey Indicators. Journal of Business Cycle Measurement and Analysis, 2(2).
• Ghysels, E., Santa-Clara, P. & Valkanov, R. (2004). The MIDAS Touch: Mixed Data Sampling Regresyon Models. Cirano Working papers.
• Ghysels, E., Sinko, A. & Valkanov, R. (2007). MIDAS Regressions: Further Results and New Directions. Econometrics Reviews,(26), 53-90.
• Granger, C. (1969). Investigating Casual Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 37(3), 424-438.
• Grasmann, P. & Keereman, P. (2001). An Indicator-Based Short-Term Forecast for Quarterly GDP in the Euro Area. Directorate General for Economic and Financial Affairs of the European Commission (ECFIN)(ECFIN/357/01-EN No: 154).
• Gujarati, D. (2006). Temel Ekonometri. İstanbul: Literatür Yayıncılık.
• Kabadayı, B. (2013). Konjonktür Dalgalanmaları ve Ekonomik Krizler Perspektifinde Dünya Ekonomileri ve Türkiye: Uygulama ve Analiz. Ankara: Nobel.
• Lemmens, A., Croux, C. & Dekimpe, M. (2004). On the Predictive Content of Production Surveys: A Pan-European Study. K. U. Leuven Rearch Paper.
• Maravall, A. & Gomez, V. (1996). Programs TRAMO (Times Series Regression with ARIMA noise, Missing Observations and Outliers) and SEATS (Signal Extraction in ARIMA Time Series) Instructions for the User. Documento de Trabajo 9628.
• Mitchell, W. C. (1913). Business Cycles. University of California Press.
• Mitchell, W. & Burns, A. (1938). Statistical Indicators and Cyclical Revivals. NBER.
• Mourougane, A. (2006). Forecasting Monthly GDP for Canada. OECD Economics Department Working Papers ECO/WKP(2006)43(515).
• Mourougane, A. & Roma, M. (2002). Can Confidence Indicators Be Useful to Predict Short Term Real GDP Growth? European Central Bank Working Paper Series, (133).
• Pamuk, Y. (2002). Devresel Dalgalanma Teorilerinin Analizi ve Türkiye Ekonomisi Üzerine Bir Uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Erciyes Üniversitesi / Sosyal Bilimler Enstitüsü, Kayseri.
• Parasız, İ. & Bildirici, M. (2006). Modern Konjonktür Teorileri. Bursa: Ezgi Kitabevi.
• Saçaklı-Saçıldı, İ. (2015). Do BVAR Models Forecast Turkish GDP Better Than UVAR Models? British Journal of Economics, Management & Trade(BJEMT.2015.088), 259- 268.
• Sevüktekin, M. & Nargeleçekenler, M. (2010). Ekonometrik Zaman Serileri Analizi - EViews uygulamalı. Ankara: Nobel Yayın Dağıtım.
• Sherman, H. (1991). The Business Cycle Growth and Chrisis Under Capitalism. Oxford: Princeton University Press.
• Sims, C. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1-48.
• Stock, J. & Watson, M. (2003). How Did Indicator Forecasts Do During The 2001 Recession? ASSA Session, 2003.
• Stock, J. & Watson, M. (2004). Combination Forecasts of Output Growth In a Seven-Country Data Set. Journal of Forecasting, (23), 405-430.
• Şahbaz, Ü. (2007). Zaman Serilerinde Nedensellik Analizi (Türkiye'de Ekonomik Büyüme ve Turizm Gelirleri Arasındaki İlişkinin Nedensellik Analizi). (Yayımlanmamış Yüksek Lisans Tezi). Anadolu Üniversitesi / Sosyal Bilimler Enstitüsü, Eskişehir.
• Ünal, E. (2003). Bayesci Vektör Otoregresyon Modeller ve Türkiye'de Enflasyon Üzerine Bir Uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Mimar Sinan Üniversitesi / Fen Bilimleri Enstitüsü, İstanbul.