VAR, çoklu zaman serileri arasındaki karşılıklı bağımlılığı veren ekonometrik modeldir. Model, k değişkenli kümenin geçmiş gelişimlerinin lineer fonksiyonudur. Değişkenler yt vektöründe toplanır (örneğin GDP)
MSE measures variation between predicted and actual values. Calculated as average of squared differences between expected and actual values. Squaring ensures positive and negative differences don't cancel
Bu video, Merkez Bankası'nın geliştirdiği Elektronik Veri Dağıtım Sistemi (EDS) hakkında bilgilendirici bir tanıtım içeriğidir.. Video, EDS'nin ne olduğunu, 1990'lardan beri hizmet verdiğini ve 2017 yılında yenilendiğini anlatmaktadır. Sistem, akademisyenler, ekonomi yazarları, analistler, öğrenciler ve politika yapıcıları gibi birçok kesime yönelik yüzlerce istatistiki veri sunmaktadır. Yeni EDS'nin zaman serilerini farklı formüllerle işleyebilme, verileri tablo veya grafik olarak sunma, özel açılış sayfası tasarlama ve otomatik güncellenen rapor sayfaları hazırlama gibi yeni özellikleri detaylı olarak açıklanmaktadır. Ayrıca sistemin nasıl kullanılacağı, arama yapma yöntemleri ve engelli kullanıcılar için yardımcı dokümanlar da videoda yer almaktadır.
Converts various data types to pandas datetime objects. Requires minimum "year", "month", "day" columns in DataFrame. Supports various input types including scalars, arrays, Series, and DataFrame
Bu video, bir eğitmen tarafından sunulan istatistik ve karar teorisi konularındaki soru çözümlerini içermektedir. Eğitmen, önceki videolardaki soruların devamı niteliğinde olan soruları çözmektedir.. Video, toplam 10 sorudan oluşan bir testin çözümünü içermektedir. Sorular arasında basit doğrusal regresyon denklemi, korelasyon katsayısı, tahminlerin standart hatası, zaman serisi, indeksler, karar teorisi ve kötümserlik ölçütleri gibi konular yer almaktadır. Her soru için eğitmen, formülleri açıklayarak ve örnekler vererek çözüm yöntemlerini detaylı şekilde anlatmaktadır.
Bu video, bir eğitmen tarafından sunulan zaman sayıları analiz dersinin dördüncü bölümünü içeren eğitim içeriğidir.. Video, Johansen eşleşme testinin teorik temellerini açıklayarak başlıyor ve ardından uygulamalı bir örnek sunuyor. Johansen testi, çok değişkenli serilerde eşleşme ilişkisini analiz etmek için kullanılır ve tüm değişkenlerin I(1) olması gerektiği vurgulanıyor. Daha sonra katsayılı eşleşme analizinin aşamaları detaylı şekilde ele alınıyor: kök testi, gecikme uzunluğu belirleme, Johansen modeli kurma ve modelin değerlendirilmesi.. Video, 2002-2015 çeyreklik veriler üzerinde EViews programı kullanılarak adım adım uygulamalar sunuyor ve bir sonraki bölümde ARDL modelinin anlatılacağı bilgisiyle sonlanıyor.
Granger causality tests whether one time series forecasts another. Test was proposed by Clive Granger in 1969. Only finds predictive causality, not true causality. Better described as "precedence" or "temporally related"
ADF tests for unit root presence in time series samples. Test statistic is negative, more negative indicates stronger rejection. Alternative hypothesis is usually stationarity or trend-stationarity
Bu video, bir eğitim içeriği olup, konuşmacı üstten regresyon modeli tahmini konusunu anlatmaktadır.. Video, 1994-2017 yılları arasındaki Türkiye'deki otomobil sayısı verisi üzerinde üstten regresyon modeli tahmini yapma sürecini adım adım göstermektedir. Konuşmacı önce modelin denklemini (ln y = a + b * trend) açıklar, ardından AVUS programında en küçük kareler yöntemi kullanarak regresyon tahmini yapar ve son olarak forecast yaparak tahmin edilen seriyi orijinal seriyle karşılaştırır. Video, farklı regresyon modellerinin karşılaştırılmasını ve hangi modelin veriye en uygun olduğunu belirlemeyi amaçlamaktadır.
Forecasting predicts future based on past and present data. Prediction is a more general term for forecasting. Risk and uncertainty are central to forecasting. Data must be up to date for accurate forecasts
Bu video, Erkan Arslan tarafından sunulan bir eğitim içeriğidir. Erkan, kanalının bin aboneyi geçtiğini belirterek izleyicilerine teşekkür etmektedir.. Videoda ADF (Augmented Dickey-Fuller) birim kök testinin nasıl uygulanacağı adım adım gösterilmektedir. İçerik, veri setinin temizlenmesi, mevsimsellikten arındırılması ve doğal logaritması alınması ile başlayıp, ADF testinin üç farklı modelinin (sadece gecikme, sabit terim ve trend, sabit terim ve trend) tanıtımıyla devam etmektedir. Milli gelir serisi üzerinde test uygulaması yapılarak, durağan olmayan serinin fark alınarak tekrar test edilmesi ve durağanlık durumunun belirlenmesi gösterilmektedir.. Videoda ayrıca kritik değerlere göre (yüzde 1, 5 ve 10) bir serinin durağan olup olmadığını belirleme yöntemi kod örnekleriyle açıklanmakta ve bir sonraki bölümde durağan zaman serisi değişkenleriyle VAR sistemi tahmin etme konusunun ele alınacağı belirtilmektedir.
Bu video, bir istatistiksel analiz eğitim içeriğidir. Konuşmacı, literatürde en çok kullanılan birim kök testlerini ve durağanlık analizini adım adım anlatmaktadır.. Video, ADF (Augmented Dickey-Fuller) ve PP (Phillips-Perron) testlerinin nasıl yapıldığını, yorumlanacağını ve kritik değerlerin nasıl değerlendirileceğini göstermektedir. Ayrıca KPSS testi de anlatılmaktadır. Konuşmacı, tek tek testleri gösterdikten sonra, birden fazla değişken için bu testleri hızlıca yapabilmek için "urca" adlı bir paket indirme ve kurma sürecini de açıklamaktadır.. Videoda birim kök testlerinin zaman serileri ve panel verilerinde analizler yapmadan önce yapılması gerektiği vurgulanmakta, testlerde kullanılan üç farklı model (sabitli, sabit ve trendli, sabitsiz) hakkında bilgiler verilmektedir. Ayrıca trendin anlamlılığının nasıl değerlendirileceği de anlatılmaktadır.
Bu video, Erkan Arslan tarafından sunulan bir eğitim serisinin ikinci bölümüdür ve zaman serilerinde mevsimsellik analizi ve arındırma yöntemlerini kapsamaktadır.. Video, zaman serilerinde mevsimselliği test etme ve arındırma sürecini adım adım göstermektedir. İlk bölümde EVDS sistemi üzerinden indirilen GSYİH ve tüketim verileri kullanılarak kukla değişken yöntemi, regresyon modeli ve forecast paketi ile mevsimsellik testleri yapılmaktadır. İkinci bölümde ise Tramosit paketi kullanılarak mevsimsellik arındırma işlemi gösterilmekte ve arındırılmış serilerin bileşenleri incelenmektedir.. Eğitim boyunca R programlama dilinde kod örnekleri gösterilmekte, Webb ve Olek'in 2009 çalışmasında ürettikleri mevsimsellik testi (SAM) kullanılmakta ve RJ Demetre paketi ile Tramosit fonksiyonu ile mevsimsellikten arındırma işlemi detaylı olarak anlatılmaktadır.
Bu video, Gebze Teknik Üniversitesi Bilgisayar Mühendisliği 4. sınıf öğrencisi Berat Ömer Beyaz'ın 1495 bitirme projesinde yaptığı "Zaman Serilerinde Anormalliklerin Doğru Öğrenmeyle Tespiti" projesinin sunumudur.. Sunumda, zaman serilerinden oluşan veri setlerinde anormalliklerin tespit edilmesi için LSD Autoencoder modelinin nasıl kullanıldığı anlatılmaktadır. Proje beş basit adımda gerçekleştirilmiştir: veri seti belirlenmesi, anormallik anlanması, güven aralığı belirlenmesi, anormallik tespiti ve anormallik ispatlanması. Berat, üç farklı firmanın verilerini kullanarak (Yahoo Finans, Enerji Bilgi Yönetimi İdaresi API servisleri ve Numenta Anomali Benchmark) modeli eğitip, anormallikleri tespit etme sürecini detaylı olarak açıklamaktadır.
Bu video, bir konuşmacının ETS (Exponential Smoothing) üst üste düzleştirme metodunu anlattığı kapsamlı bir eğitim içeriğidir.. Video, ETS metodunun temel prensiplerini açıklayarak başlıyor, ardından model seçimi ve değerlendirmesi için kullanılan kriterleri (Akaike, Schwartz-Hannan, Queen) detaylandırıyor ve son olarak farklı tahmin yöntemlerini (LLC ve AMSE minimizasyonu) karşılaştırıyor. İçerik, teorik bilgilerin yanı sıra EVS programında ETS yönteminin uygulanması ve birim kök testlerine geçiş bilgisiyle sonlanıyor.. Videoda ayrıca ETS serisinin üç temel bileşeni olan hata, trend ve mevsimsel bileşenin toplamsal, çarpımsal veya sönümlenmiş olabileceği, mevsimselliğin farklı ifade edilebileceği ve farklı kriterlerle model karşılaştırılması gibi önemli konular ele alınıyor.
Bu video, bir eğitim içeriği olup, konuşmacı zaman serileri analizinde izlenmesi gereken yolları anlatmaktadır.. Video, zaman serileri analizinde izlenmesi gereken adımları detaylı şekilde açıklamaktadır. Öncelikle verinin mevsimsellik durumuna göre (mevsimsellik var veya yok) izlenecek yollar anlatılmakta, ardından birim kök testleri (mevsimsel birim kök testleri, yapısal kırılmalı birim kök testleri ve geleneksel birim kök testleri) ve bunların sonuçları (I(0), I(1) veya I(d)) ele alınmaktadır. Her durum için uygulanabilecek analiz yöntemleri (Todaya-Yamamoto, ARDL, Johansen, VAR analizi) de açıklanmaktadır.
Bu video, Araştırma Yöntemleri Eğitim ve Uygulama Merkezi tarafından sunulan bir eğitim tanıtımıdır. Videoda, EVS programının üstadı olarak tanıtılan Aziz Kurtlar hoca tarafından anlatılan EVS eğitimi hakkında bilgi verilmektedir.. Video, EVS programının kullanımını anlatan Türkçe kitapların incelenmesiyle başlıyor ve özellikle zaman serileri konusundaki kitapların baskınlığını vurguluyor. Daha sonra IO portalı kapsamında sunulan EVS programı eğitimleri tanıtılıyor. Bu eğitimler arasında tek denklemli zaman serileri ve çok denklemli zaman serileri olmak üzere iki tane eğitim bulunuyor. Tek denklemli zaman serileri eğitiminde EVS programının nasıl yükleneceği ve temel özellikleri tanıtılırken, ikinci eğitimde sonuçların nasıl yorumlanacağı adım adım anlatılıyor.
Bu video, bir eğitim içeriği olup, konuşmacı makine öğrenmesi ile bitcoin analizi yapmayı göstermektedir. Konuşmacı, son zamanlarda derin öğrenmedeki zaman serileri ile ilgili çalışmalar yapmaktadır.. Videoda, 2011-2021 yılları arasındaki yaklaşık 3637 günlük bitcoin verilerinin nasıl işleneceği adım adım anlatılmaktadır. Konuşmacı, verileri %80 eğitim, %20 test olarak ayırarak, minmaxscaler ile ölçeklendirme, model oluşturma ve tahmin yapma süreçlerini göstermektedir. Video sonunda, 19 Nisan tarihindeki verilerle 20 Nisan'ın açılış değerini tahmin etme işlemi gerçekleştirilmiştir. Konuşmacı, bu video bir yatırım tavsiyesi olmadığını, sadece teknik bir eğitim içeriği olduğunu belirtmektedir.
Bu video, Olcay Çelik tarafından sunulan Power BI eğitimleri TV kanalında yayınlanan bir eğitim içeriğidir. Olcay Çelik, veriye dayalı raporlama ve analizler konusunda eğitim veren bir uzmandır.. Video, Power BI'de akıllı zaman formüllerinden biri olan SEM Periyot Lastiği fonksiyonunun nasıl kullanılacağını adım adım göstermektedir. Örnek olarak, bu yılın satışları ile geçen yılın satışları arasındaki farkı hesaplama süreci anlatılmaktadır. Eğitim, toplam satışlar ölçüsünün oluşturulması, geçen yıl satışlarının hesaplanması ve son olarak satış farkının bulunması şeklinde üç adımlı bir yapıya sahiptir. Ayrıca, oluşturulan verilerin sütun grafiği ve dilimleyici olarak nasıl kullanılacağı da gösterilmektedir.
Bu video, bir eğitmen tarafından sunulan Angly-Granger eşleşme testi konulu bir eğitim dersidir.. Video, durağan olmayan serilerde en küçük kareler yönteminin sorunlarına değinerek başlıyor ve Angly-Granger eşleşme testinin geliştirilme sürecini açıklıyor. Eğitmen, testin temel prensiplerini, aşamalarını ve zayıf yönlerini detaylı şekilde anlatıyor, ardından 1984-2016 yılları arasındaki ithalat ve ihracat rakamları üzerinden örnek bir uygulama yapıyor.. Videoda ayrıca Engling ve Phillips Perron yöntemleri, bilgi kriterleri ve trend modelleri de açıklanmaktadır. Sonuç olarak, her iki serinin de eş bütünleşik olduğu sonucuna ulaşılmaktadır. Video, gelecek derste John Seni anlatılacağı bilgisiyle sonlanmaktadır.