DERS ADI

: Ekonometrik Modellerle Tahminleme ve Öngörümleme

DERECE PROGRAMLARI

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
EKO 6056 Ekonometrik Modellerle Tahminleme ve Öngörümleme SEÇMELİ 3 0 0 6

Dersi Veren Birim

Ekonometri Doktora

Dersin Düzeyi

Doktora

Ders Koordinatörü

DOÇ.DR. MURAT TANIK

Dersi Alan Birimler

Ekonometri Doktora

Dersin Amacı

Öğrenciye öngörümleme yüntemlerini, öngörü doğruluğunun artıtılmasında öngörülerin birleştirilmesi için önerilen algoritmaları ve başarılı bir öngörümleme için uygulanması gereken adımları anlatarak öngörümele ile ilgili hem teorik bilgi hem de kendi başına analiz yapabilme becerisi kazandırmaktır.

Dersin Öğrenme Kazanımları

1   1. Verinin karakteristik özelliklerini belirlemek ve veriyi iyi bir öngörümleme performansı için ugun hale getirmek,
2   2. Veriye göre uygun öngörümleme yöntemlerinin belirlemek,
3   3. Öngörümleme performansını arttırmak için klasik yöntemler yerine melez yaklaşımlar kullanmak,
4   4. Öngörümleme performansı açısından optimum gözlem sayısı için yinelemeli ve yuvarlamalı pencere yöntemlerini tanıtmak,
5   5. Öngörü doğruluğunu arttıtmak için farklı algoritmalar kullanarak öngörüleri birleştirmek,
6   6. Büyük verilere ilişkin öngörümele yaparken uyarlamalı ayrıştırma algoritmalarının faydasını anlatmak.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 1. Öngörümleme Terminolojisi ve notasyonlar
2 2. Zaman serisine ilişkin grafikler ve karakteristik özelliklerini tanımlama (Zaman grafiği, mevsimsel grafikler, kutupsal mevsimsel grafikler, zaman serisi ayrıştırma grafiği, otokorelasyon grafiği)
3 3. Öngörümleme performans ölçümleri ve birbilerine göre avantajları ve dezavantajları (MAE, RMSE, MASE, MDB, Theil U ve diğerleri)
4 4. Literaürde yaygın olarak kullanılan Öngörümleme modelleri (ARMA, sARIMA, Holt-Winters, TBATS. ETS. VAR, VECM, ARDL, ANN)
5 5. Zaman serisinin özelliklerine göre en uygun öngörümleme modelinin seçilmesi
6 6. Öngörümleme modellerinin örneklem dışı performansı (R uygulamalı anlatım)
7 7. Melez yöntemlerin öngörümleme performasları (ARIMA-ANN, HW-ANN, ETS-ANN ve diğerleri)
8 8. En iyi öngörümleme performansı için optimal gözlem sayısının belirlenmesi (Modeller üzerinden recursive window ve rolling window uygulamaları)
9 9. Iki farklı modele ilişkin öngörümleme performans karşılaştırma tesleri (Tekli ve çoklu karşılaştırmalar için DM testi)
10 10. Öngörümleme doğruluğunu arttırmak için farklı modellere ilişkin öngörülerin birleştirilmesinde basit algoritmalar (Mean, Winsorized mean, Median, Trimmed mean, Bates/Granger (1969) algoritması, Newbold/Granger (1974) algoritması ve ters rank)
11 11. Öngörülerin birleştirilmesi için kullanılan diğer yöntemler (Varyans-Kovaryansa dayalı yöntemler, OLS regresyon, LAD regsresyon ve sinir ağları)
12 12. Öngörülerin birleştirilmesi konusunda optimum model sayısının belirlenmesi (Modeller üzerinden R uygulamalı anlatım)
13 13. Büyük verilerde öngörümleme performansı arttırmak için zaman serisinin bileşenlerine ayrıştırılmasında uyarlamalı algoritmalar (Empirical Mode Decomposition and Wavelet Decomposition uygulamaları)
14 14. Geniş kapsamlı R programı kullanımlı uygulama

Ders İçin Önerilen Kaynaklar

Hyndman, R.J., & Athanasopoulos, G. (2018) Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia.
Chatfield, C. (2000). Time-series forecasting. CRC press.
Chatfield, C., & Xing, H. (2019). The analysis of time series: an introduction with R. CRC press.
Brockwell, P. J., Davis, R. A., & Calder, M. V. (2002). Introduction to time series and forecasting (Vol. 2, pp. 3118-3121). New York: springer.
Ramasubramanian, K., & Singh, A. (2018). Machine Learning Using R: With Time Series and Industry-Based Use Cases in R. Apress.

Öğrenme ve Öğretme Yöntemleri

Anlatım Metodu, Soru-Cevap Metodu, Tartışma Metodu ve Problem Çözme Metodu

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ARS ARASINAV
2 YYC YARIYIL İÇİ ÇALIŞMA
3 YYS YARIYIL SONU SINAVI
4 YYBN YARIYIL SONU BAŞARI NOTU ARS * 0.30 + YYC * 0.30 + YYS* 0.40
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.30 + YYC * 0.30 + BUT* 0.40


*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

emrahgulay2011@gmail.com

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 13 3 39
Haftalık Ders öncesi/sonrası hazırlıklar 13 3 39
Vize Sınavına Hazırlık 1 40 40
Final Sınavına Hazırlık 1 40 40
Vize Sınavı 1 3 3
Final Sınavı 1 3 3
TOPLAM İŞ YÜKÜ (saat) 164

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9
ÖK.1111333333
ÖK.2122222222
ÖK.3222222222
ÖK.4111111111
ÖK.5333322222
ÖK.6222222222

İLETİŞİM BİLGİLERİMİZ
Dokuz Eylül Üniversitesi Cumhuriyet Bulvarı No: 144 35210 Alsancak / İZMİR
Telefon: +90(232) 412 12 12 - Faks: +90 (232) 464 81 35

Copyright 2015 DEÜ. BİD

ANASAYFA / ÜNİVERSİTE HAKKINDA / DERECE PROGRAMLARI / ÖĞRENCİ İÇİN GENEL BİLGİLER / ULUSLARARASI İLİŞKİLER