Otokorelasyon

Otokorelasyon (ya da ardışık bağımlılık), bir zaman serisi içerisindeki hata terimlerinin (residülerin) birbirleriyle ilişkili olması durumudur. İstatistiksel olarak otokorelasyon, bir rasgele değişkenin kendi gecikmeli (lagged) değerleri ile korelasyon göstermesi olarak tanımlanır. Regresyon analizlerinde özellikle önem arz eden bu kavram, klasik regresyon varsayımlarından biri olan hata terimlerinin birbirinden bağımsız olması koşulunun ihlaline işaret eder.

Otokorelasyonun varlığı genellikle zaman serisi veri yapılarında gözlemlenir; örneğin ekonomik, finansal ya da meteorolojik verilerde zamanla art arda elde edilen gözlemler arasında ilişki bulunması oldukça yaygındır.

Regresyon Modellerinde Otokorelasyonun Önemi

Klasik Doğrusal Regresyon Modeli (KDRM) varsayımlarından biri, hata terimlerinin bağımsız ve birbirine ilişkisiz (white noise) olmasıdır. Bu varsayım sağlanmadığında, yani hata terimleri arasında ardışık korelasyon varsa, modelin tahmin gücü, güvenilirliği ve yorumlanabilirliği ciddi şekilde zarar görebilir.

Özellikle şu problemler ortaya çıkar:

• Kestirimlerin tutarsızlığı: Klasik En Küçük Kareler (EKK) yöntemi, otokorelasyon durumunda hala sapmasız olabilir ancak verimsizdir; varyanslar yanlış tahmin edilir.
• Yanıltıcı istatistiksel testler: Otokorelasyon varlığında standart hata tahminleri yanlış olacağından, t ve F testleri yanlış sonuçlar verebilir.
• Modelin güvenilirliğinin zedelenmesi: Otokorelasyonlu hatalar modele dahil edilmemiş önemli değişkenlerin ya da modelin yanlış spesifikasyonunun habercisi olabilir.

Otokorelasyonun Nedenleri

Otokorelasyon genellikle şu nedenlerden kaynaklanır:

1. Eksik modelleme: Önemli bir bağımsız değişkenin modele dahil edilmemesi.
2. Zaman gecikmeli etkiler: Bağımsız değişkenlerin etkileri zaman içinde gecikmeli olabilir.
3. Veri toplama süreçleri: Verilerin zamanla düzenli aralıklarla toplanması otokorelasyona neden olabilir.
4. Doğal süreçlerin yapısı: Ekonomik veya fiziki süreçlerin doğasında zamanla bağlantı olması (örneğin: enflasyon oranları, sıcaklık değerleri vs.).

Otokorelasyonun Tespiti

Otokorelasyonun tespiti çeşitli istatistiksel yöntemlerle yapılabilir. En yaygın yöntemler şunlardır:

1. Grafiksel Yöntemler

• Artıkların zaman grafiği: Hataların zaman eksenine göre grafiği alınarak ardışık yapı gözlemlenebilir.
• Korelasyon fonksiyonu grafikleri (ACF): Artıkların gecikmelere göre korelasyon yapısı analiz edilir.

2. Durbin-Watson (DW) Testi: Otokorelasyonun varlığını test etmek için en yaygın kullanılan yöntemdir. Test istatistiği 0 ile 4 arasında değer alır. 2 değeri otokorelasyonun olmadığını, 0’a yakın değerler pozitif, 4’e yakın değerler ise negatif otokorelasyonu gösterir.

3. Breusch-Godfrey (BG) Testi: DW testinin bazı sınırlamaları olması nedeniyle (örneğin, yalnızca birinci dereceden otokorelasyonu test etmesi gibi) daha genel alternatif olan BG testi tercih edilir. Bu test daha yüksek dereceli otokorelasyonları test edebilir ve modelde gecikmeli bağımsız değişkenlerin bulunmasına da izin verir.

Otokorelasyon Var Olduğunda Alternatif Yaklaşımlar

Eğer otokorelasyon tespit edilmişse, Klasik EKK yönteminin yerine aşağıdaki alternatif teknikler tercih edilebilir:

1. Genelleştirilmiş En Küçük Kareler (GEKK): GEKK yöntemi, hata terimlerinin kovaryans yapısını dikkate alarak tahmin yapılmasını sağlar. Böylece verimli ve tutarlı tahminler elde edilir.

2. Cochrane-Orcutt Yöntemi: Bu iteratif yöntem, hata terimlerinin otokorelasyon yapısını modelleyerek regresyon katsayılarını yeniden tahmin eder.

3. Prais-Winsten Yöntemi: Cochrane-Orcutt yöntemine benzer, ancak ilk gözlemin kaybedilmesini önleyen bir yapıya sahiptir.

4. Yule-Walker Denklemleri ve AR (Otoregresif) Modeller: Hata terimleri AR(1), AR(p) gibi süreçlerle modellenerek yapı dikkate alınır. Bu yaklaşım, özellikle zaman serisi modellemede yaygın olarak kullanılır.