|
|
| EKO3011 | Zaman Serileri - I | 3+0+0 | AKTS:6 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Zorunlu | | Bölümü | EKONOMETRİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Arş. Gör. Serkan SAMUT | | Diğer Öğretim Üyesi | Prof. Dr. Rahmi YAMAK | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu ders geleceğe yönelik tahminler (öngörü) ve bu tahminleri üretmede kullanılacak istatistiksel yöntemler ile ilgilidir. Dersin temel amacı öngörü yöntemlerini ve bu yöntemlerin nasıl uygulanacağını ayrıntılı bir biçimde tanıtmaktır. |
| Öğrenim Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | zaman serileri analizlerinde kullanılan matematiksel ve istatistiksel teknikleri tanırlar. | 1,3 | 1, | | ÖK - 2 : | söz konusu tekniklerin hangi durumda (ne zaman) ve nasıl kullanılacağını ayırt edebilirler. | 1,3 | 1, | | ÖK - 3 : | zaman serilerini kullanarak öngörü üretebilirler. | 1,3 | 1, | | ÖK - 4 : | üretilen öngörüleri değerlendirip en güçlüsünü seçebilirler. | 1,3 | 1, | | ÖK - 5 : | seçilen öngörüye ve incelenen seriye bağlı olarak mikro veya makro düzeyde politikalar önerebilirler. | 1,3 | 1, | | BPKK :Bölüm program kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| EViews'in Temelleri: EViews'e giriş, çalışma sayfasının temel özellikleri, dönem, serilerle çalışmak, sabitlerle çalışmak, grafiklerle çalışmak, veri almak ve veri aktarmak. Zaman serisi ve yatay kesit veri, grafiksel gösterim, zaman grafikleri ve zaman serisi bileşenleri: trend, konjonktür, mevsimsel ve tesadüfi bileşen Bireysel istatistikler, ikili istatistikler Tahminin (Öngörünün) Kesinliğinin Ölçülmesi: ortalama hata, ortalama mutlak hata, ortalama karesel hata, kök ortalama karesel hata, ortalama yüzde hata, ortalama mutlak yüzde hata ve Theil U İstatistiği. Transformasyonlar uyarlamaları: Matematiksel (karekök, küp kök, negatif ters ve logaritmik) transformasyon uyarlamaları. Hareketli ortalamalar: Basit hareketli ortalama, merkezi hareketli ortalama, ikili hareketli ortalama, ağırlıklandırılmış hareketli ortalama Zaman serilerinin ayrıştırması: Klasik toplamsal ayrıştırma, klasik çarpımsal ayrıştırma, mevsimsel indeksin bulunması ve yorumlanması, mevsimsel uyarlama, ayrıştırma yöntemleri ile geleceğe yönelik tahminler, Üssel düzgünleştirme yöntemleri: basit üssel düzgünleştirme, basit üssel düzgünleştirmeye adaptif yaklaşım, Holt'un üssel düzgünleştirme yöntemi, Winters'in üssel düzgünleştirme yöntemi. Regresyon denklemi vasıtasıyla tahmine giriş: basit regresyon, EKK tahmini, korelasyon katsayısı, basit regresyon ve korelasyon katsayısı, basit regresyon vasıtasıyla öngörü. |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | EViews'in Temelleri: EViews'e giriş, çalışma sayfasının temel özellikleri, dönem, serilerle çalışmak, sabitlerle çalışmak, grafiklerle çalışmak, veri almak ve veri aktarmak. | | | Hafta 2 | Zaman serisi ve yatay kesit veri, grafiksel gösterim, zaman grafikleri ve zaman serisi bileşenleri: trend, konjonktür, mevsimsel ve tesadüfi bileşen. | | | Hafta 3 | Bireysel istatistikler, ikili istatistikler. | | | Hafta 4 | Tahminin (Öngörünün) Kesinliğinin Ölçülmesi: ortalama hata, ortalama mutlak hata, ortalama karesel hata, kök ortalama karesel hata, ortalama yüzde hata, ortalama mutlak yüzde hata ve Theil U İstatistiği. | | | Hafta 5 | Transformasyonlar ve takvim uyarlamaları: Matematiksel (karekök, küp kök, negatif ters ve logaritmik) transformasyonlar ve takvim (ay uzunluğu ve işlem günü) uyarlamaları. | | | Hafta 6 | Hareketli ortalamalar: Basit, merkezi, ikili ve ağırlıklandırılmış hareketli ortalama. | | | Hafta 7 | Zaman serilerinin bileşenlerine ayrıştırılması: Klasik toplamsal ayrıştırma. | | | Hafta 8 | Zaman serilerinin bileşenlerine ayrıştırılması: klasik çarpımsal ayrıştırma. | | | Hafta 9 | Arasınav | | | Hafta 10 | mevsimsel indeksin bulunması ve yorumlanması, mevsimsel uyarlama. | | | Hafta 11 | ayrıştırma yöntemleri ile geleceğe yönelik tahminler. | | | Hafta 12 | Üssel düzgünleştirme yöntemleri: basit üssel düzgünleştirme, basit üssel düzgünleştirmeye adaptif yaklaşım. | | | Hafta 13 | Holt'un üssel düzgünleştirme yöntemi. | | | Hafta 14 | Winters'in üssel düzgünleştirme yöntemi. | | | Hafta 15 | Regresyon denklemi vasıtasıyla tahmine giriş: basit regresyon, EKK tahmini. Korelasyon katsayısı, basit regresyon ve korelasyon katsayısı, basit regresyon vasıtasıyla öngörü. | | | Hafta 16 | Dönem sonu sınavı | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | 12.11.2023 | 1 | 50 | | Dönem sonu sınavı | 16 | 25.01.2024 | 1 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 6 | 14 | 84 | | Laboratuar çalışması | 0 | 0 | 0 | | Arasınav için hazırlık | 11 | 2 | 22 | | Arasınav | 1 | 1 | 1 | | Uygulama | 0 | 0 | 0 | | Klinik Uygulama | 0 | 0 | 0 | | Ödev | 0 | 0 | 0 | | Proje | 0 | 0 | 0 | | Kısa sınav | 0 | 0 | 0 | | Dönem sonu sınavı için hazırlık | 10 | 3 | 30 | | Dönem sonu sınavı | 1 | 1 | 1 | | Diğer 1 | 0 | 0 | 0 | | Diğer 2 | 0 | 0 | 0 | | Toplam Çalışma Yükü | | | 180 |
|