Dinamik regresyon çözümlemesi ve bilgisayar yazılımı

Abstract

IV ÖZET Bu çalışmada, zaman serilerinin küçük örneklem durumu için, klasik regresyon modellerinin yetersizliğini gösterdikten sonra, hata teriminin AR(1), AR(1)*, AR(2), ARMA(l.l) gibi durağan stokastik süreçler gösterdiği dinamik regresyon modellerinde parametrelerin en çok olabilirlik kestiricileri ile modellerin dönem içi kestirim ve örkestirim biçimleri verilmiştir. Dinamik regresyon modellerinde para-, metre kestirimi yaparak dönem içi kestirimleri ve önkestirimleri de hesaplayan bir bilgisayar yazılımı B-6800 sistemine uyarlanmıştır. Bu yazılan paket kullanılarak enerji tüketim miktarlarına ilişkin dinamik regresyon modelleri elde edilmiştir. Elde edilen modellerden E.k.k. kestirimi erine ilişkin varyans en büyük bulunmuştur. Yapılan test sonucunda E.k.k. lere ilişkin hataların stokastik bağılmı olduğu saptanmış tır. Hataların stokastik bağımsız elde edildiği AR(1), AR(1 )*, AR(2), MA(1), ARMA(1,1) yapılı dinamik regresyon modelleri E.k.k. yöntemine göre oluşturulan modelden daha etkin bulunmuştur. Enerji tüketim modelleri arasında uygun model olarak AR(1) hata yapılı model seçilmiş ve bu model kullanılarak 14 dönem ilerisi için kestirimler yapılmıştır.

.V SUMMARY In this study, firstly ât is showed that classical regression model is insufficient for the small samples of time series. After that, maximum likelihood estimators of the dynamic regression model- with has random variable that shows stati onary stochastic processes such as AR(1), AR(1) AR(2), MA(1), ARMA(1,1) and the prediction models related with these are obtained. A computer software package that computes the estimators and predictors of the models is prepared and adopted to B-6800 computer system. Using this package, dyna mic regression models related to energy consumption are obta ined. The varians is maximum in the model obtained with ordinary least squares method. At the end of the testing procedure, it was also determined that residuals are stochasticly dependent* Dynamic regression models error structured with AR(1), AR(1)*, AR(2), MA(1), ARMA(l.l) stationary stochastic processes with independent errors were found to be more effi cient than the models using ordinary least squares method. In application, AR(1) error structured dynamic regression model was selected as the most convenient among energy consumption models. Using this model, future consumptions values were predicted for 14 years.