Avrupa biRLİĞİnde mevduatin korunmasi



Yüklə 72,84 Kb.
Pdf görüntüsü
səhifə16/32
tarix29.05.2018
ölçüsü72,84 Kb.
#46593
1   ...   12   13   14   15   16   17   18   19   ...   32

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
alanlar içinde en belirgin ve potansiyele sahip olanlardan biridir. YSA’lar, 
günümüzde, diğer bir çok alanda olduğu gibi ekonomi ve istatistik alanlarında da 
yoğun bir şekilde kullanılmaktadırlar.  İstatistik alanında dağılımların belirlenmesi 
amaçlı, ekonomi alanında ise öngörü amaçlı olarak başarılı bir şekilde 
kullanılmaktadırlar. Özellikle, zaman serilerinin tahmin edilmesi ve öngörüsü 
konusunda sıklıkla kullanılıyor olması nedeniyle, YSA’larla İstatistik ve dolayısıyla 
Ekonomi arasında nasıl bir ilişki olduğunu anlamak önemlidir. 
 
Yapay Sinir Ağları ve İstatistik alanları arasında önemli sayılabilecek bir 
kesişim kümesi vardır. İstatistik, veri analizi ile uğraşan bir alandır. Benzer şekilde, 
sinir ağı terminolojisindeki hatalı (noisy) veriden öğrenerek genelleştirme kavramı 
(veya yeteneği), istatistiksel çıkarım (statistical inference) ile aynı anlamı 
taşımaktadır. Dolayısıyla, yapay sinir ağları da genelde veri analizi içermektedir. 
Fakat, bazı sinir ağları veri analizi ile ilgilenmezler ve bu yüzden istatistik alanı ile 
ilişkileri kısıtlıdır. Örneğin, bazı  ağlar öğrenme işlemi içermezler ki Hopfield ve 
Kohonen ağlar bunlardan bir kaçıdır. Bununla beraber, sinir ağlarının büyük 
çoğunluğu hatalı veriden genelleme yapabilmeyi öğrenebilmektedir ve bu sayede 
istatistiksel yöntemlerle benzer ya da aynı oldukları söylenebilir. 
Bu benzerlik için bir çok örnek gösterilebilir. Mesela, gizli tabaka içermeyen 
ileri besleme sınıfı  ağlar temel olarak genelleştirilmiş lineer modellere karşılık 
gelirler. Tek bir gizli tabaka içeren ileri besleme sınıfı ağlar ise projeksiyon amaçlı 
regresyon (projection pursuit regression) ile yakın ilişkiye sahiptirler. Örnekleri 
artırmak gerekirse, olasılıkçı  ağlar temel fark analizine (kernel discriminant 
analysis) karşılık gelirken, Hebbian öğrenme temel bileşen analizi (principal 
component analysis) ile oldukça ilişkilidir. 
 
İleri besleme ağlar, doğrusal olmayan regresyon ve ayrıştırma (discrimination) 
modellerinin oluşturduğu sınıfın bir alt kümesidir. Doğrusal olmayan modeller 
hakkındaki istatistiksel teorilerden elde edilen bir çok sonuç ileri besleme ağlara 
uygulanmaktadır. Ayrıca, doğrusal olmayan modeller için kullanılan yöntemler, 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
42


Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
örneğin Levenberg-Marquardt algoritma, ileri besleme ağları  eğitmek için 
kullanılmaktadır. 
 
Sinir ağları algoritmalarına veya uygulamalarına göre tanımlanırken, 
istatistiksel yöntemler genellikle sonuçlarına göre tanımlanırlar. Örneğin, aritmetik 
ortalama, basit bir geri yayılma ağ ile kolayca hesaplanabilir. Bunun için, aritmetik 
ortalama formülünün ağ içinde kullanılması yeterlidir. Sonuçta, hesaplanma şekli ne 
olursa olsun, çıktı olarak aritmetik ortalama elde edilir. Bu yüzden, bir istatistikçi 
aynı modeli uygulamak için değişik algoritmalar kullanabilir. Diğer taraftan, bir 
istatistikçi değişik eğitme kriterlerini değişik istatistiksel özelliklere sahip farklı 
tahmin yöntemleri olarak görür. 
 
Yapay sinir ağları da istatistiksel modeller gibi dağılıma yönelik varsayımlara 
ihtiyaç duymaktadır. Fakat, istatistik bilimi bu varsayımların sonuçları ve önem 
derecesi ile de ilgilenirken, yapay sinir ağları olayın bu yönünü göz ardı etmektedir. 
Örneğin, en küçük kareler yöntemi hem istatistiksel hem de sinir ağı modellerinde 
sıklıkla kullanılmaktadır.  
 
Anlatılanların gösterdiği gibi Yapay Sinir Ağları ile istatistik arasında sıkı bir 
bağlantı kurulabilmektedir. Bu iki alan arasındaki etkileşim YSA tekniğinin bir çok 
alanda olduğu gibi ekonomi alanında da kolayca uygulama sahası bulmasına 
yardımcı olmaktadır.  
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
43


Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
3. Modeller ve Uygulama 
 
Bu bölümde, çalışmada kullanılan modeller tanıtılmaktadır. Çalışma 
kapsamında, Türkiye ekonomisine ait iki değişkenin tahminine yönelik YSA 
modelleri tahmin edilmektedir. Bunun yanında, YSA tekniğinin tahmin gücünü 
karşılaştırabilmek amacıyla iki farklı ekonometrik yöntem kullanarak aynı 
değişkenler modellenmektedir. Tahminler elde edilirken, karşılaştırılabilir sonuçlar 
elde edebilmek amacıyla mümkün olduğunca benzer yapıda modeller kullanılmaya 
çalışılmıştır. 
 
Tahmin edilecek değişkenler enflasyon oranı ve üretim olarak belirlenmiştir. 
Enflasyon oranı olarak Toptan Eşya Fiyat Endeksi (TEFE) kullanılmaktadır. Bu 
amaçla, Devlet İstatistik Enstitüsü (DİE) tarafından yayınlanan 1994=100 bazlı seri 
alınmaktadır. Fakat, bu seri 1994 yılı Ocak ayında başlamaktadır ve bu yüzden kısa 
bir dönemi kapsamaktadır. Dolayısıyla serinin daha geniş bir dönemi temsil 
edebilmesi için eski TEFE serisinden faydalanılmıştır. Bu amaçla, örneklem 
boyutunun biraz daha genişletilebilmesi amacıyla 1987=100 bazlı eski serinin artış 
oranları kullanılarak 1994=100 bazlı seri geriye doğru çekilmiştir. Bu sayede, 
1986:1 – 2001:7 dönemini kapsayan bir seri elde edilmiştir. Elde edilen aylık fiyat 
düzeyi serisinin (P) aylık artış oranları kullanılarak modeller oluşturulmuştur. 
Kullanılan enflasyon oranı serisinin grafiği Grafik 3.1’de sunulmaktadır. Enflasyon 
oranı modellerinde (ARMA hariç) açıklayıcı değişken olarak döviz kuru artışı ve 
para arzı artışı kullanılmıştır. Döviz kuru için Merkez Bankası (TCMB) tarafından 
günlük olarak açıklanan ABD Dolarının (E) aylık ortalamaları tercih edilmiştir. 
Diğer açıklayıcı değişken olan para arzı için ise yine TCMB kaynaklı geniş para 
arzı tanımı olan M2Y (M) kullanılmıştır. Belirtilmesi gereken diğer bir nokta ise 
modelleme yapısı olarak geriye dönük modellemenin kullanılmış olmasıdır. Diğer 
bir ifadeyle, modeller açıklayıcı değişkenlerin gecikmelerini içermektedir ve 
bunlara üçüncü açıklayıcı değişken olarak bağımlı değişkenin gecikmesi 
eklenmektedir. 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
44


Yüklə 72,84 Kb.

Dostları ilə paylaş:
1   ...   12   13   14   15   16   17   18   19   ...   32




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə