Geri Dön

Lasso VAR ve VARX modelleri üzerine bir uygulama

An application on Lasso VAR and VARX models

  1. Tez No: 537096
  2. Yazar: EMSAL ÇAĞLA AVCU
  3. Danışmanlar: DOÇ. DR. BAHADIR YÜZBAŞI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Ekonomi, Econometrics, Economics
  6. Anahtar Kelimeler: VAR, VARX, VARX-L, BigVAR, VAR, VARX, VARX-L, BigVAR
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 49

Özet

Vektör otoregresyonunun(VAR), makroekonomik zaman serilerinin ortak dinamiklerinin modellenmesi ve tahmin edilmesi için etkili bir yöntem olduğu bilinmektedir. VAR'ın uygulanabilirliğini engelleyen en temel sorun ağır parametrelere sahip olmasıdır. Yani parametre alanı, mevcut seriyi hızla tüketerek seriye dahil olan seri sayısıyla ikinci dereceden büyür. Ayrıca yüksek boyutlu makroekonomik parametrelerin VAR ile tahmini zorlu bir süreçtir. Büyük VAR'ların tahmin edilmesine izin veren geleneksel yöntemler, ya özel sübjektif spesifikasyonlar gerektirme eğilimindedir ya da hesaplama açısından mümkün değildir. Aynı zamanda küresel ekonomiler güç geçtikçe karmaşık bir hal almaktadır. Böyle karmaşık bir süreçte stokastik, modifiye olmayan dışsal değişkenleri hesaba katmak büyük bir önem taşımaktadır. Bu dışsal değişkenlerin modellere dahil edilmesi VARX yöntemi ile yapılmaktadır. VARX, VAR'ı modifiye edilmemiş dışsal değişkenleri modele dahil ederek tahminlerde bulunur. VARX modelinin yapılandırılmış bir ailesi olan VARX-L, yüksek boyutlu tahminlerde daha verimli ve sağlıklı sonuçlar elde etmemizi sağlar. VARX-L, VAR ve VARX modellerinin parametre alanını büyük ölçüde azaltmak için birkaç önemli skaler regresyon tekniğini bir vektör zaman serisi bağlamına uyarlar. VARX-L, hem düşük hem de yüksek boyutlu makroekonomik tahmin uygulamalarında ve simüle edilmiş veri örneklerinde etkinliğini göstermektedir. Bu tezde, VARX-L'nin cezalı tahmincilerinden biri olan“Temel Lasso”kullanılarak yüksek boyutlu modeller, R programında yer alan BigVAR paketi ile tahmin edilmektedir. VAR ve VARX modelleri için aynı veriler kullanılarak tahmin sonuçları karşılaştırılmaktadır.

Özet (Çeviri)

It is known that vector autoregression (VAR) is an effective method for modeling and estimating the common dynamics of macroeconomic time series. The main problem that prevents the applicability of VAR is that it has heavy parameters. That is, the parameter field grows from the second order with the number of series included in the series by rapidly consuming the current series. Furthermore, the estimation of high-dimensional macroeconomic parameters by VAR is a challenging process. Traditional methods that allow the estimation of large VARs either tend to require specific subjective specifications or are not feasible for calculation. At the same time, global economies are becoming increasingly complex. It is of great importance to take into account the stochastic, unmodified external variables in such a complex process. These external variables are included in the models by VARX method. VARX estimates the VAR by including the unmodified external variables in the model. VARX-L, a structured family of the VARX model, enables us to achieve more efficient and healthy results in higher dimensional estimates. The VARX-L adapts several important scalar regression techniques to a vector time series context to greatly reduce the parameter field of the VAR and VARX models. VARX-L demonstrates its effectiveness in both low and high dimensional macroeconomic estimation applications and simulated data samples. In this thesis, one of the punished estimators of VARX-L, "Basic Lasso L, is used to estimate the high-dimensional models using the BigVAR package in the R program. Estimation results are compared using the same data for VAR and VARX models.

Benzer Tezler

  1. Model seçimi için dayanıklı lasso ve uygulamaları

    Robust lasso for model selection and aplications

    BEGÜM YENİLMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İstatistikEskişehir Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞÜKRÜ ACITAŞ

  2. Extreme learning machine based on L1 and L2 norms

    L1 ve L2 norma dayalı aşırı makine öğrenmesi

    HASAN YILDIRIM

    Doktora

    İngilizce

    İngilizce

    2020

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU

  3. Modeling educational data with machine learning methods

    Eğitim verilerinin makine oğrenmesi algoritmaları kullanılarak modellenmesi

    AYŞE İLKNUR DİLEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR

  4. Foreign exchange rate forecasting by using machine learning algorithms: Developed vs. emerging economies

    Makine öğrenmesi algoritmalarıyla döviz kuru tahmini: Gelişmiş ve gelişmekte olan ekonomiler

    ÖZLEM AKEKMEKÇİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    EkonomiBoğaziçi Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    DOÇ. DR. TOLGA UMUT KUZUBAŞ

  5. Borsa İstanbul'da katılım, likidite ve getiri arasındaki ilişkinin analizi

    Stock market participation, liquidity and stock return: Evidence from Turkey

    YASİN DOĞAN

    Doktora

    Türkçe

    Türkçe

    2024

    İşletmeAnkara Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. GÜVEN SAYILGAN