İstatistikte Zaman Serisi Analizi
Zaman serisi analizi, günlük, haftalık, aylık veya yıllık gibi zaman içinde ardışık olarak toplanan verileri inceleyen bir istatistik dalıdır. Tek bir zaman noktasında toplanan kesitsel verilerin aksine, zaman serisi analizi zaman içinde gelişen değişim dinamiklerine ve kalıplara odaklanır. Ekonomi, iş dünyası, halk sağlığı, enerji ve hatta iklim gibi birçok önemli karar, geçmiş eğilimleri anlamaya ve gelecekteki eğilimleri tahmin etmeye bağlı olduğundan, zaman serisi analizi araştırma ve uygulamada çok önemli bir araçtır.
Zaman Serisi Verilerinin Özellikleri
Zaman serilerinin temel özelliği, önemli bilgileri kaybetmeden karıştırılamayacak bir diziye sahip olmalarıdır. Bugünkü değer genellikle dünün değeriyle ilişkilidir ve bu ayın değeri yıllık kalıplardan etkilenebilir. Bu zamanlar arası bağımlılığa otokorelasyon denir. Ayrıca, zaman serileri genellikle trendler (uzun vadeli hareketler), mevsimsellik (zaman içinde tekrarlanan kalıplar), döngüler (her zaman düzenli olmayan orta vadeli dalgalanmalar) ve gürültü veya rastgele hatalar gibi bileşenler sergiler.
Örneğin, perakende satışlar tatil dönemlerinde artma eğilimindedir (mevsimsel), ancak ekonomik büyüme nedeniyle yıldan yıla yavaşça da artabilir (trend). Tedarik zinciri aksamaları veya politika değişiklikleri gibi öngörülemeyen olaylardan kaynaklanan dalgalanmalar rastgele bileşen kapsamına girer.
Zaman Serisi Analizinin Amacı
Genel olarak, zaman serisi analizinin birkaç temel amacı vardır. Birincisi, örneğin trendleri mevsimsellikten ayırarak veri kalıplarını özlü ve bilgilendirici bir şekilde tanımlar. İkincisi, istatistiksel modeller aracılığıyla veri oluşum mekanizmalarını açıklayarak, zaman içindeki değerlerdeki değişimlerin ardındaki süreçleri anlamamızı sağlar. Üçüncüsü, geçmiş kalıplara dayanarak gelecekteki değerleri tahmin eder. Dördüncüsü, ekonomik krizler, piyasa davranışındaki değişiklikler veya veri sapmalarına neden olan arızalı ölçüm cihazları gibi anormallikleri veya yapısal değişiklikleri tespit eder.
İlk Adımlar: Görselleştirme ve Keşif
Genellikle atılan ilk adım, verileri zamana karşı grafiğe dökmektir. Basit görselleştirmeler genellikle yukarı veya aşağı yönlü eğilimleri, mevsimsel kalıpları ve aykırı değerleri ortaya çıkarır. Daha sonra, kısa vadeli dalgalanmaları düzeltmek için hareketli ortalama hesaplamak veya eğilim, mevsimsel ve artık bileşenleri ayırmak için zaman serisi ayrıştırması kullanmak gibi ön istatistiksel analizler yapılır.
Zaman serisi araştırmalarında grafiklerin yanı sıra iki önemli araç da otokorelasyon fonksiyonu (ACF) ve kısmi otokorelasyon fonksiyonudur (PACF). ACF, mevcut değer ile çeşitli gecikmelerdeki değerler (örneğin, 1 gün öncesi, 2 gün öncesi vb.) arasındaki ilişkinin ne kadar güçlü olduğunu gösterir. PACF ise daha küçük gecikmelerin etkisini kontrol ettikten sonra bir gecikmenin doğrudan etkisini belirlemeye yardımcı olur. ACF ve PACF'den elde edilen bilgiler, doğru modeli seçmek için çok faydalıdır.
Durağanlık Kavramı
Birçok klasik zaman serisi yöntemi—özellikle ARIMA ailesi—verilerin durağan olduğunu varsayar. Durağan bir zaman serisi, istatistiksel özelliklerinin (ortalama ve varyans gibi) zaman içinde nispeten sabit olduğu ve otokorelasyonun mutlak zamana değil, yalnızca zaman gecikmesine bağlı olduğu anlamına gelir.
Verilerde güçlü bir eğilim veya belirgin mevsimsellik varsa, genellikle durağan değildir. Verileri durağan hale getirmek için analistler genellikle varyansı dengelemek amacıyla fark alma (dönemler arasındaki farkı alma) veya logaritma dönüşümü gibi dönüşümler kullanırlar. Genişletilmiş Dickey-Fuller (ADF) veya KPSS gibi resmi testler durağanlığı değerlendirmeye yardımcı olabilir, ancak bunların yorumlanması yine de bağlamsal anlayış ve görsel incelemenin bir kombinasyonunu gerektirir.
Popüler Zaman Serisi Modelleri
1. Hareketli Ortalama Modeli ve Üstel Düzeltme
Düzeltme yöntemleri kısa vadeli tahminlerde yaygın olarak kullanılır. Hareketli ortalamalar, bir sonraki dönemi tahmin etmek için son birkaç dönemin ortalamasını alır. Üstel düzeltme, en son gözlemlere daha fazla ağırlık verir. Basit Üstel Düzeltme gibi yöntemler trendsiz ve mevsimsel veriler için uygundur, Holt yöntemi trendleri ele alır ve Holt-Winters yöntemi hem trendleri hem de mevsimselliği ele alır.
Düzeltme yöntemlerinin avantajları, basit, hızlı olmaları ve genellikle operasyonel amaçlar için iyi sonuç vermeleridir. Bununla birlikte, otokorelasyon yapısının her zaman kapsamlı bir yorumunu sağlamazlar.
2. AR, MA ve ARIMA
Otoregresif (AR) model, mevcut değerlerin geçmiş değerlere bağlı olduğunu belirtir. Hareketli ortalama (MA) model ise mevcut değerlerin geçmiş hatalardan etkilendiğini belirtir. İkisinin birleşimi ARMA olarak adlandırılır ve verilerin durağan hale getirilmesi için fark alınması gerektiğinde model ARIMA (Otoregresif Entegre Hareketli Ortalama) olur. ARIMA, ARIMA(p, d, q) şeklinde yazılır; burada p, AR'nin derecesi, d, fark almanın derecesi ve q, MA'nın derecesidir.
Parametre seçimi genellikle ACF/PACF ve AIC veya BIC gibi bilgi kriterleri yardımıyla yapılır. ARIMA, esnekliği ve güçlü teorik temeli nedeniyle uzun zamandır ekonomik ve ticari tahminlerde standart olarak kullanılmaktadır.
3. Mevsimlik SARIMA
Verilerde belirgin bir mevsimsellik varsa (örneğin, aylık-yıllık bir örüntü), ARIMA modeli SARIMA'ya (Mevsimsel ARIMA) genişletilir. Bu model, belirli bir mevsimsel dönem için (örneğin, aylık veriler için 12) AR, fark alma ve MA parametrelerini içeren mevsimsel bir bileşen ekler. SARIMA, aylık turist sayısı, günlük örüntüye sahip saatlik elektrik tüketimi veya mevsimsel ürün talebi gibi veriler için etkilidir.
4. Çok Değişkenli VAR
Birçok durumda, enflasyon, faiz oranları ve döviz kurları gibi birden fazla zaman serisini aynı anda analiz ederiz. Vektör Otoregresyon (VAR), her değişkenin kendi geçmiş değerlerinden ve diğer değişkenlerden etkilenmesine olanak tanır. VAR, sistem dinamiklerini ve şokların etkilerini dürtü yanıt analizi yoluyla incelemek için ekonometride yaygın olarak kullanılır.
5. Volatilite Modeli: ARCH/GARCH
Finansal verilerde oynaklık genellikle kümeler halinde ortaya çıkar: sakin dönemleri yüksek oynaklık dönemleri takip eder. ARCH ve GARCH modelleri, zaman içinde değişen varyansı modellemek için tasarlanmıştır. Bu modeller risk yönetimi, varlık değerlemesi ve piyasa belirsizliğinin ölçülmesinde önemlidir.
Model Değerlendirmesi ve Tahmin Doğruluğu
Bir model seçildikten sonra, yeterliliğini değerlendirmemiz gerekir. Kalıntılar (gerçek ve tahmin edilen veriler arasındaki fark), rastgele gürültüye benzemelidir: düzensiz, otokorelasyonlu olmayan ve nispeten istikrarlı varyansa sahip olmalıdır. Kalıntı otokorelasyonunu kontrol etmek için genellikle Ljung-Box testi kullanılır.
Tahmin kalitesini ölçmek için MAE (Ortalama Mutlak Hata), RMSE (Kök Ortalama Kare Hata) ve MAPE (Ortalama Mutlak Yüzde Hata) gibi metrikler kullanılır. Değerlendirmenin gerçek tahmin koşullarını yansıtması için, verileri rastgele bölmek yerine zamana bağlı olarak (zamana dayalı bölme) eğitim ve test verilerine ayırmak iyi bir uygulamadır.
Zaman Serilerinde Sık Karşılaşılan Zorluklar
Zaman serisi analizi sıklıkla eksik veriler, ölçüm tanımlarındaki değişiklikler, aşırı uç değerler ve yapısal kırılmalar gibi zorluklarla karşılaşır. Örneğin, bir pandemi tüketim kalıplarını önemli ölçüde değiştirebilir ve pandemi öncesi dönemlere göre eğitilmiş modellerin doğruluğunu azaltabilir. Bu gibi durumlarda, model güncellemeleri, dışsal değişkenlerin kullanımı veya daha uyarlanabilir bir yaklaşım gerekli olabilir.
Ayrıca, verilerin zaman çözünürlüğü ve uzunluğu, kullanılabilecek yöntemleri önemli ölçüde etkiler. Yüksek frekanslı veriler (örneğin, dakika başına) gürültünün özel olarak ele alınmasını ve hesaplama yapılmasını gerektirirken, yıllık veriler mevsimselliği sağlam bir şekilde belirlemek için çok kısa olabilir.
Kapanış
İstatistik biliminde zaman serisi analizi, zaman içinde gelişen verileri anlamak için zengin bir çerçeve sunar. Trend, mevsimsellik ve otokorelasyon bileşenlerini belirleyerek ve üstel düzeltmeden ARIMA, VAR ve GARCH'a kadar doğru modeli seçerek daha doğru tahminler oluşturabilir ve daha keskin içgörüler elde edebiliriz. Bununla birlikte, başarılı analiz yalnızca tekniğe değil, aynı zamanda bağlamı, veri kalitesini ve titiz değerlendirmeyi anlamaya da bağlıdır. Gerçek zamanlı verilere giderek daha fazla bağımlı bir dünyada, zaman serilerini analiz etme yeteneği hem araştırmacılar hem de uygulayıcılar için giderek daha önemli bir beceri haline gelmektedir.
