BASİT VE MODİFİYE EDİLMİŞ ÜSSEL DÜZELTME YÖNTEMLERİNİN YAPISAL KIRILMA OLMASI DURUMUNDA KARŞILAŞTIRILMASI

Zaman serisi analizlerinde serilerin modellenmesinin, aralarındaki ilişkilerin incelenmesinin yanında temel amaç geleceğe yönelik öngörümleme yapmaktır. Literatürde en yaygın kullanılan yöntemlerden biri üssel düzeltme yöntemleridir. Serilerinin veri üretim süreçlerinde, finansal krizler, doğal afetler gibi birçok nedenden dolayı kalıcı yapısal değişimler meydana gelebilmektedir. Bu değişimler model parametrelerini değiştirebildiği gibi analiz sonuçlarına da etki etmektedirler. Bu çalışmadaki temel amaç, seride yapısal kırılmalar olduğunda basit üssel düzeltme (SES) ile yeni geliştirilmiş olan Modifiye Üssel Düzeltme (MSES)(2016) yöntemlerinin tahminleme performanslarını karşılaştırmaktır. Hata teriminin (MAE) ortalama ve varyansı örneklemin büyüklüğünden, kırılmanın şiddetinden ve konumundan etkilenmektedir. Veri setindeki kırılmalar model tahmini olumsuz etkilemektedir. MSES yönteminin kullanılmasında olası kırılmaların büyüklükleri ve konumları dikkate alınmalıdır.

COMPARISON OF SINGLE AND MODIFIED EXPONENTIAL SMOOTHING METHODS IN THE PRESENCE OF A STRUCTURAL BREAK

The modeling of the series in the time series analysis, as well as the examination of the relations betweenthem, is the main purpose of the future forecasting. One of the most widely used methods in the literature isexponential smoothing methods. Due to many reasons such as financial crises, natural disasters in the dataproduction processes of the series, permanent structural changes can occur. These changes affect modelparameters as well as analysis results. The main purpose of this study is to compare the predictiveperformances of the newly developed Modified Exponential Smoothing (MSES)(2016) methods with thesimple exponential smoothing (SES) when there are structural breaks in the series with different breakmagnitude and different break location. Mean Absolute Error values of methods are affected by the samplesize, break magnitude and location. The breaks in the data set would affect the model estimation negatively.Possible breaks’ magnitude and locations should be taken into consideration in the use of the MSES method.

PDF

___

Bailey, W. N., (1935). Generalized hypergeometric series. University Press Cambridge.
Billah, B., King, M. L., Snyder R. D. and Koehler, A. B., (2006) Exponential Smoothing Model Selection for Forecasting. International Journal of Forecasting 22 (2006) 239– 247.
Brown, R. G., Meyer, R. F. and D'Esopo, D. A. (1961). The Fundamental Theorem of Exponential Smoothing Operations Research, 9(5) (Sep. - Oct., 1961), 673-687.
Brown, R. G., (1962). Smoothing , Forecasting and Prediction of Discrete Time Series. United State of America: Prentice-Hall.
Bowerman, B.L. and O’Connell, R.T., (1993). Time Series and Forecasting (3 th ed.). Duxburg Press.
Çapar, S. (2009). Improvement for Exponential Smoothing . Izmir, Turkey: Dokuz Eylül Unıversıty Graduate School of Natural and Applıed Scıences.
Çoban B. and Firuzan E.(2016). The Role of Structural Break and Volatıle Innovatıons On Coıntegratıon Tests: Tsunamı And Global Economıcs Crısıs International Journal of Arts & Sciences, 9(2), 211-223.
Dickey, D.A. and Fuller, W.A., (1981). Likelihood Ratio Statistics For Autoregressive Time Series with A Unit Root. Econometrica 49, 1057–1072.
Gardner, E. S., (1985). Exponential Smoothing: The state of the art Journal of forecasting 22, 637- 666.
Gardner, E. S., (1985). Exponential Smoothing: The state of the art Part-II Journal of forecasting 4 (1), 1-28.
Giraitis L., Kapetanios G. and Mansur. M,. (2015) Forecasting Under Structural Change Springer, 401-419.
Hydman, R. J., Koehler, A. B., Ord, J. K., Snyder, R. D., (2008). Forecasting with Exponential Smoothing Springer.
Makridakis, Spyros, Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., Newton, J., Parzen, E. and Winkler, R. (1982), “The accuracy of extrapolation (time series) methods: Results of a forecasting competition,” Journal of Forecasting, 1, 111-153. (all)
Montgomaery, D. C., Johnson, L.A., (1976). Forecasting and Time Series Analysis. McGraw-Hill.
Nelson, C.R., Plosser, C.I., (1982). Trends and Random Walks in Macroeconomic Time Series Journal of Monetary Economics 10, 139–162.
Selamlar, T., H., (2017). Modeling and Forecasting Time Series Data Using Ata Method. İzmir, Turkey: Dokuz Eylül Unıversıty Graduate School of Natural and Applıed Scıences.
Yapar, G., 2016, Modified simple exponential smoothing Hacettepe Journal of Mathematics and Statistics, Doi:10.15672/HJMS.201614320580.
Yapar, G., Çapar, S., Taylan Selamlar, H., Yavuz, I., (2017) Modified Holt’s Linear Trend Method Hacettepe University Journal of Mathematics and Statistics, Doi: 10.15672/HJMS.2017.493
Zivot, E. and Andrews, D.W.K. (1992). Further Evidence on Great Crash, the Oil Price Shock and the Unit Root Hypothesis Journal of Business and Economic Statistics,10, 251-270.