TÜRKİYE ÇIKTI AÇIĞININ GÖZLENEMEYEN BİLEŞEN MODELLERİ İLE ÖLÇÜLMESİ

Yıl 2017, Cilt: 2 Sayı: 2, 33 - 48, 10.12.2017

Eda Yalçın Kayacan , Şenay Üçdogruk Birecikli

Öz

Potansiyel çıktı
ve çıktı açığı, parasal, mali ve işgücü piyasalarına ait politikaların
idaresinde oldukça önemli bir role sahip olan ve gözlenemeyen ancak tahmin
edilebilen değişkenlerdir. Potansiyel çıktı ve çıktı açığının tahminine yönelik
kullanılan çeşitli istatistiksel ve ekonometrik teknikler mevcuttur. Çalışmamız
çıktı açığının tahminlenmesinde, gözlenemeyen bileşen modellerine dayanan
yöntemlere odaklanmaktadır.

Trend,
mevsimsel, konjonktürel ve düzensiz bileşenleri içeren bir zaman serisi
gözlenemeyen bileşenleri açısından doğrudan formule edilmekte ve serinin
ayrışması ile doğrudan ekonomik yorum yapılabilmektedir. Söz konusu modeller
durum–uzay formunda ifade edilmektedir.

Durum-uzay
modelleri ise, gözlenen-gözlenemeyen değişkenler arasındaki ilişkiyi tanımlayan
ölçüm denklemi ve gözlenemeyen değişkenlerin dinamiklerini tanımlayan geçiş
denkleminden oluşmaktadır. Durum-uzay formunda gösterilen ölçüm ve geçiş
denklemleri Kalman filtresini
kullanarak en çok olabilirlik yöntemine dayanan istatistiksel yöntemlerle tahminlenmektedir.

Çalışmamızın amacı, 1998:Q1- 2016:Q2 dönemleri için Türkiye GSYH
(Gayri safi yurtiçi hasıla- sabit 1998 bazlı-logaritmik değerleri üzerinden
mevsimsel olarak düzeltilmiş) verisi kullanılarak, potansiyel çıktı ve çıktı
açığının gözlenemeyen bileşen modelleri ile tahminlenmesidir.

GSYH serisinin en uygun
temsilini bulmak için, bileşenleri açısından farklılaştırılarak, potansiyel
çıktı ve çıktı açığı değerleri tahminlenmiştir. Literatürde GSYH’nın stokastik trend
bileşeni ve AR(2) süreci izleyen durağan konjonktürel bileşen ile  ifade edildiği temel çalışma Clark(1987)’de incelenmektedir. Çalışmamızda GSYH’nın stokastik trend bileşeni, AR(2)
süreci izleyen durağan konjonktürel bileşen olup, 2009 yılının birinci
çeyreğindeki müdahale değişkeni ile temsil edilen istatistiksel model
şartlarını sağlayan ve tahminleme başarısı en yüksek olan modeldir. Modelde
düzensiz bileşene ait varyasyonun sıfıra çok yakın elde edilmesi , modelde
açıklanamayan bir adım olmadığını ve model varyasyonunun konjonktür ve trend
tarafından açıklanabildiğini göstermektedir. Elde edilen potansiyel ve
gerçekleşen çıktıya ait değerler grafik üzerinde incelendiğinde, gözlenemeyen
bileşen modellerine dayanan teori ile elde edilmiş potansiyel ve gerçekleşen
çıktının yükseliş ve düşme dönemlerinde birlikte hareket ettiği ve benzer
kırılma noktalarını yakaladıkları da görülmektedir. 

Anahtar Kelimeler

Çıktı Açığı

Kaynakça

• Box, G.E.P., Jenkins, G.M. and Reinsel, G.C. (1994). “Time series analysis: Forecasting and Control”, 3rd edition. Prentice Hall, NewJersey.
• Clark, P. K. (1987): “The Cyclical Component of U.S. Economic Activity,” Quarterly Journal of Economics, 102, 797-814.
• Dungey, Mardi, Jan P.A.M. Jacobs, Jing Tian, and Simon van Norden. 2015. “Trend in Cycle or Cycle in Trend? New Structural Identifications for Unobserved-Components Models of U.S. Real Gdp.” Macroeconomic Dynamics 19 (4): 776–90.
• Harvey, A. C. (1990).”Forecasting, Structural Time Series Models and the Kalman Filter”. Cambridge University Press.
• Harvey, A.C. and S.J. Koopman (1992), "Diagnostic checking of unobserved components time series models", Journal of Business and Economic Statistics, 10:377-389.
• Harvey, A. C. and A. Jaeger (1993): “Detrending, Stylized Facts and the Business Cycle,” Journal of Applied Econometrics, Vol.8, 231-247.
• Harvey, A.C. and A. Scott (1994), "Seasonality in dynamic regression models", The Economic Journal. 104:1324-1345.
• Harvey, A. And Shephard, N. (2004). “State Space and Unobserved Component Models: Theory and Applications”. Cambridge University Press.
• Harvey, A and Proietti, T.(2005). “Readings in Unobserved Components Models”. Oxford University Press.
• Jacques, J. (2007).“An Introduction to State Space Time Series Analysis”. Oxford University Press.
• Jones, R.H.(1993). “Longitudinal Data with Serial Correlation: A State Space Approach”. London: Chapman and Hall.
• Kitagawa, G., and W Gersch (1996).” Smoothness Priors Analysis of Time Series”. Berlin: Springer-Verlag.
• Koopman, S. and Durbin, J. (2012).”Time Series Analysis by State Space Methods”, Second Edition. Oxford University Press.
• Koopman S J, Harvey A C, Doornik J A and Shephard N. (2000).” STAMP: Structural Time Series Analyzer, Modeler and Predictor”.
• Kuttner, K.N. (1994): “Estimating Potential Output as a Latent Variable,” Journal of Business and Economic Statistics, Vol.12 (3), 361-68.
• Kuttner, K.N. (1999): “A Time-Series Approach to Potential Output,” Manuscript, Federal Reserve Bank of New York.
• Luati A., Proietti T. and Reale M. (2012). “The Variance Profile”. Journal of the American Statistical Association, 107, 607–621.
• Meinhold, R. J. and Singpurwalla, N.D., (1983). “Understanding Kalman filter”. Amer. Statistician, 37, 123-127.
• Nakstad, Yoon Shin. 2006. “Structural Time Series Models : Theory and Application Department of Economics,”
• Nelson, C. and C.I. Plosser (1982):“Trends and Random Walks in Macroeconomic Series,” Journal of Monetary Economics 10, 139-162.
• Proietti T. (1998). “Seasonal Heteroscedasticity and Trends.” Journal of Forecasting. Vol. 17, pp. 1-17. 16
• Proietti T. (1999). “Characterising Business Cycle Asymmetries by Smooth Transition Structural Time Series Models, Studies in Nonlinear Dynamics and Econometrics”, Volume 3.3, pp. 141-156, MIT Press, Cambridge, MA.
• Proietti T. (2000). “Comparing seasonal components for structural time series models. International Journal of Forecasting”, 16, 2, p. 247-260.
• Proietti, T. (2012). “Seasonality, Forecast Extensions and Business Cycle Uncertainty.” Journal of Economic Surveys, 26, 555-569.
• S.Ravichandran and Prajneshu (2001) “State space modelling versus ARIMA Time Series Modeling” in Journal of Indian Soc. Of Ag.Statistics, 54(1), 2001, PP.43-51.
• Young, P. (1984). “Recursive Estimation and Time-Series Analysis”. Berlin: Springer-Verlag.
• Watson, M.W. (1986): “Univariate Detrending Methods With Stochastic Trends,” Journal of Monetary Economics 18 49-75.
• Zafer Dilaver,”Structural Times Series Modeling of Energy Demand Surrey Energy” Economics Centre (SEEC) School of Economics Faculty of Business, Economics and Law University of Surrey, UK.