Doğrusal olmayan otoregresif modellerde yapay sinir ağı modelleri için Arctan ve Tanh aktivasyon fonksiyonlarının karşılaştırılması:Taylor yaklaştırımı ve LM tipi testler
Taylor approximation and LM-type tests for comparing Arctan and Tanh activation functions for artificial neural network models in nonlinear autoregressive models
- Tez No: 1008697
- Danışmanlar: PROF. DR. TOLGA OMAY
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Ekonometri, Mathematics, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atılım Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: Uygulamalı İktisat Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, zaman serisi analizinde doğrusal olmayan yapıları modelle- mek için Lojistik Yumuşak Geçiş Otoregresif (LSTAR) modellerin Taylor serisi yaklaşımı ile sinir ağı yöntemlerini birleştiren yeni bir metodoloji sunmaktadır. Geleneksel doğrusal zaman serisi modellerin yetersiz kaldığı durumlarda, özellikle ekonomik ve finansal verilerdeki rejim değişikliklerini yakalamak için STAR mod- elleri geliştirilmiştir. Çalışmada, sigmoid aktivasyon fonksiyonunun Taylor serisi genişlemesi kullanılarak sinir ağlarının doğrusal olmayan yapısı analiz edilmiş ve ARCTAN aktivasyon fonksiyonu ile zamanla değişen doğrusal olmayanlık mod- elleri incelenmiştir. F-testi ile yardımcı regresyon analizi yapılarak modellerin is- tatistikselanlamlılığıdeğerlendirilmiştir. Sonuçlar, önerilenyaklaşımıngeleneksel yöntemlere göre üstün performans sergilediğini göstermektedir. Bunun yanısıra çalışma, doğrusalolmayanotoregresifyapaysinirağı(ARNN)modellerindeARC- TAN ve TANH aktivasyon fonksiyonlarını karşılaştırmak için kapsamlı bir F-testi çerçevesi geliştirmektedir. Aktivasyon fonksiyonu seçimine yönelik temel soruyu, Taylor serisi lineerleştirme ve yardımcı regresyon teknikleri kullanarak titiz bir istatistiksel test ile ele alıyoruz. Bu çalışma, ekonomik veriler üzerinde doğrusal olmayan yapıları ayırt edebilen, kararlı ve uygulanabilir bir yöntem sunmak- tadır. ARCTAN fonksiyonu yumuşak geçişlerde, TANH ise keskin kırılmalarda daha başarılı bulunmuştur. Önerilen yaklaşım, büyük örneklemlerde %85'in üz- erindedoğruluksağlamışveuygunaktivasyonseçimininmodelbaşarımını%15–30 oranında artırabileceği gösterilmiştir. Yöntem, Python'da tekrarlanabilir şekilde uygulanmıştır.
Özet (Çeviri)
This study presents a new methodology that combines the Taylor series approach with neural network methods to model non-linear structures in time series analysis using LSTAR models. STAR models were developed to capture regime changes in economic and financial data, particularly in situations where traditional linear time series models are insufficient. In the study, the nonlin- ear structure of neural networks is analyzed using the Taylor series expansion of the sigmoid activation function, and time-varying nonlinear models are examined with the ARCTAN activation function. The statistical significance of the mod- els is evaluated using auxiliary regression analysis with the F-test. The results show that the proposed approach outperforms traditional methods. In addition, the study develops a comprehensive F-test framework to compare ARCTAN and TANH activation functions in nonlinear ARNN models. Activation function se- lection is examined through a stable statistical framework based on Taylor series linearization and auxiliary regressions. Simulations with macroeconomic indica- tors show ARCTAN functions better model smooth regime shifts, while TANH suits sharp structural changes. The framework exceeds 85% accuracy in samples over 250 and improves model fit by 15–30%. Implemented in Python, it offers a reproducible tool for economic analysis.
Benzer Tezler
- Türkiye'de vadeli işlem ve opsiyon piyasası'nın etkinliği ve sözleşmelerin karşılaştırmalı fiyat öngörümlemesi
Effectiveness of turkish derivatives market and forecasting comparative prices for the contracts
TANER TAŞ
- Teknoloji tahmini için yeni bir model önerisi
A model proposal for technology forecasting
GİZEM İNTEPE
Doktora
Türkçe
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ TUFAN KOÇ
- Integration of spatial procedures to combat the desertification in Nineveh governorate, Iraq
Irak'ın Nineveh vilayetinde çölleşme ile mücadele için mekansal yöntemlerin entegrasyonu
BASHAR MUNEER YAHYA YAHYA
Doktora
İngilizce
2019
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL